CC BY
79
Актуальные проблемы авиации и космонавтики. Информационные технологии
УДК 621.791.72
Д. А. Ретунский Научный руководитель - В. Д. Лаптенок Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
СОЗДАНИЕ МИКРОПРОЦЕССОРНЫХ СИСТЕМ УПРАВЛЕНИЯ ЭЛЕКТРОННОЛУЧЕВЫМ
ОБОРУДОВАНИЕМ ДЛЯ СВАРКИ
Электронно-лучевая сварка (ЭЛС) получила широкое распространение в различных отраслях машиностроения. ЭЛС позволяет соединять за один проход металлы и сплавы толщиной от 0,1 до 400 мм и более и обладает широкими технологическими возможностями. При электронно-лучевой сварке кинетическая энергия электронов пучка используется для того, что расплавить небольшие участки примыкающих друг к другу деталей в области стыка соединений. Особенностью электронно-лучевого способа является возможность создания высокой удельной поверхностной мощности в пятне пучка при достаточно высокой мощности всего пучка.
Большие технологические особенности достигаются за счет гибкого управления процессом сварки. Установка сварки как объект автоматизации представляет собой сложный комплекс в который входят электромеханические манипуляторы, вакуумное оборудование и мощное энергетическое оборудование. Высокая скорость сварки до 25 мм/с, ограниченные возможности визуального наблюдения создают больше трудности оператору в управлении процессом сварки. Поэтому стремление максимально автоматизировать процесс ЭЛС вполне закономерно.
Одним их комплексов который требует автоматизации - комплекс энергообеспечения. Энергетический комплекс отвечает за контроль таких параметров пучка как: ускоряющие напряжение; ток электронного пучка и плотность его распределения по сечению, все эти параметры являются основными энергетическими характеристиками процесса электронно-лучевой сварки [1]. Без контроля и стабилизации этих процессов невозможно необходимое качество технологического процесса.
Локальные системы контроля стабилизации ускоряющего напряжения и тока в настоящие время достаточно хорошо отработаны. Для более качественного удержания данных параметров необходимо объединения локальных регуляторов в глобальную сеть с
использованием микропроцессорной техники и микроЭВМ, что в итоге накладывает определенные требования на локальные системы регулирования. В итоге все этим меры позволят осуществлять более взаимосвязанное регулирование параметров процесса с целью формирования качественного сварного соединения.
Одной из главных технических проблем при создании систем управления ЭЛС является повышенное помехозащищенность датчиков измерительных устройств, системы управления и всей системы в целом. Проблемы связанные с недостаточной помехозащищенностью являются причиной неудовлетворительной работы ряда подсистем. В настоящие время в связи с разработкой новых датчиков и применения микропроцессов для обработки информации появились возможности существенного повышения помехозащищенности и работоспособности таких систем.
Библиографическая ссылка
1. Лаптенок В. Д., Мурыгин А. В., Серегин Ю. Н., Браверманн В. Я. Управление электронно-лучевой сваркой ; Сиб. аэрокосмич. акад. Красноярск, 2000.
© Ретунский Д. А., Лаптенок В. Д., 2011
УДК 004.021
Р. Р. Серажиев Научный руководитель - В. С. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ИССЛЕДОВАНИЕ ПАРАЛЛЕЛЬНЫХ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
Рассмотрены параллельные генетические алгоритмы, их предназначение, применение в повседневной жизни. Представлены преимущества параллельных перед другими генетическими алгоритмами. А также рассмотрены стратегии по их применению, классы алгоритмов и методы их вычисления.
Генетические алгоритмы решают все более сложные стоимостные функции. Стоимостные функции, которые включают сложное моделирование становятся все более распространенными для задач проектирования. Такие функции очень ресурсоемкие и гене-
тические алгоритмы делают множество вычислений по пути оптимизации. Один из способов сокращения машинного времени является использование рекомендаций из предыдущих разделов, чтобы минимизировать общее число обращений к функции стоимости.
Секция «Информационно-управляющие системы»
Время вычисления все еще может быть огромным. К счастью, генетические алгоритмы очень хорошо поддаются параллельной реализации. Вычисления функций стоимости независимые и могут быть сделаны одновременно с незначительными изменениями в коде. Такие простые адаптации работают достаточно хорошо для функций стоимости, которые отнимают много машинного времени. Однако для функций стоимости с умеренными и низкими требованиями к компьютеру, связь между процессорами использует ускорение. Это потому, что для стандартного генетического алгоритма, сортировки и выборки часто происходят в течение полного спаривания популяции. Таким образом, распараллеливание генетических алгоритмов требуют тщательного рассмотрения, какие операции действительно должны быть сделано со всем массивом хромосом против того, что можно сделать с помощью субпопуляций.
Ускорение является наиболее часто упоминаемой причиной для использования параллельного генетического алгоритма. Если вычисления функций могут быть распределены между разными процессорами, они могут быть завершены одновременно. Однако, это не единственная мотивация для распараллеливания. Как мы увидим ниже, существуют параллельные стратегии, где группы хромосом распределяются на разные процессоры, чтобы развиваться отдельно от остальной популяции. Связь между этими так называемыми "островами" хромосом происходит время от времени. Это разделение на субпопуляции может предотвратить преждевременные сходимости, позволяя на каждом острове поиск в различных комбинациях, предотвращая одного очень развитого индивидуума доминировать над всей популяции. Иногда для решения проблемы таким образом может быть найдено множество решений. Кроме того, мы отметим, что природа использует параллельную эволюцию для субпопуляций, но позволяет случайные миграции между этими группами. В той степени, что генетические алгоритмы созданы по образцу природы, имеет смысл изучить этот аспект эволюции [1].
Так как же вы распараллелите код, чтобы в максимальной степени использовать несколько процессоров, без потери времени коммуникации между процессорами? Есть действительно очень хорошие проверенные и правдивые стратегии, чтобы помочь решить эту проблему. Много работы было сделано на анализе различных способов распараллеливания генетических алгоритмов (например, Альба и Томассини, 2002; Новаставски и Поли, 1999; Уотсон, 1999; Гордон и Уитли, 1993). Какой метод лучше всего работает зависит от характера проблемы и архитектуры параллельных машин. Терминология различных методов еще не стандартизирована, но я попытаюсь дать выборки из наиболее успешных методов, которые используются сегодня [2].
Простейший метод построения параллельных генетических алгоритмов является алгоритм «главный-
подчиненный», который является в основном параллельной реализацией стандартного генетического алгоритма. Один процессор является главным и управляет связью, сортировкой и спариванием. Он рассылает функцию стоимости к подчиненному процессору для параллельных вычислений. Этот метод, возможно, самый простейший в программировании. Недостатки заключаются в том, что главный часто находится в ожидании результатов от подчиненных, и алгоритм быстр настолько, насколько связь от медленного узла.
Второй основной класс параллельных генетических алгоритмов делит популяцию на субпопуляции или острова. Этот генетический алгоритм известен как распределенный или островной. Каждый процессор вмещает отдельную популяцию хромосом, которая воспроизводятся и оценивается отдельно от оставшейся популяции. Процесс напоминает эволюцию видов.
Третьей основной категорией параллельного генетического алгоритма является клеточный или мелкозернистый генетический алгоритм. В этом случае субпопуляция становится очень малочисленной, часто состоящей из одного индивидуума. Однако, этот индивидуум может взаимодействовать со своими соседями. Определение соседства обычно состоит в определении, как много точек системы координат составляют окрестность. Круг обозначается назначением радиуса с центром заинтересованного индивидуума. В действительности, система координат не обязательно должна быть декартовой, но может быть любой удобной топологии [3].
Параллельные генетические алгоритмы становится все более значимыми с увеличение числа параллельных машин. В частности, для очень трудоемких функций стоимости, такие как полное моделирование, параллельные реализации делают генетические алгоритмы конкурентно способной стратегией. Вот лишь некоторые из многих примеров, которые можно привести: решение проблемы выполнимости, оптимизации сверхзвуковых крыльев через работу модели уравнения Эйлера, оптимальная конструкция эластичных моховиков, и многие другие. Количество приложений, использующие генетические алгоритмы расширяется экспоненциально и может быть волной будущего [4].
Библиографические ссылки
1. Рэнди Л. Хаупт, Сью Эллен Хаупт. Практические Генетические Алгоритмы, 1998. С. 138.
2. Эйбен A. E., Смит Дж. Е. Введение в эволюционное программирование. М., 2001. С. 244-245.
3. Википедия.ру. URL: http://ru.wikipedia.org/wiki/ Эволюционное программирование.
4. Исаев С. Введение в генетические алгоритмы программирования. М., 2002. С. 187.
© Серажиев Р. Р., Тынченко В. С., 2011
