CC BY
8
Kravchenko Yury Alekseevich - Southern Federal University; e-mail: yakravchenko@sfedu.ru; 44, Nekrasovskiy lane, Taganrog, 347928, Russia; phone: +78634371651; the department of computer aided design; associate professor.
Balabanov Dmitryi Valerievich - e-mail: dbalabanov@sfedu.ru; the department of computer aided design; graduate student.
Kovtun Anton Vladislavovich - e-mail: anton.kovtun93@gmail.com; the department of computer aided design; graduate student.
УДК 004.023 DOI 10.23683/2311-3103-2019-4-114-126
С.Н. Щеглов
МЕТОДОЛОГИЯ ИСПОЛЬЗОВАНИЯ БИОИНСПИРИРОВАННЫХ
МЕТОДОВ ДЛЯ ИНТЕГРИРОВАННОЙ ОБРАБОТКИ БОЛЬШИХ ДАННЫХ НА ПРИМЕРЕ РЕШЕНИЯ ЗАДАЧИ ТРАНСПОРТНОГО ТИПА*
Приводится методология использования биоинспирированных методов для интегрированной обработки больших данных на примере решения задачи транспортного типа. Основное место среди прикладных задач транспортного типа, занимают задачи построения транспортных маршрутов, которые позволяют до минимума сократить пробег транспортных средств или минимизировать затраты на перевозку грузов. Маршрутизация перевозок - это наиболее совершенный способ организации потоков грузов с предприятий, оказывающий существенное влияние на ускорение оборота транспорта при рациональном и эффективном его использовании. Для данного класса комбинаторных задач, отсутствуют эффективные классические методы и алгоритмы решения. Эти задачи характеризуются конечным, но весьма большим числом возможных решений. Их можно поставить как задачи целочисленного программирования, но и в этом случае отсутствуют эффективные алгоритмы. Поэтому, разработка методов и алгоритмов для решения задач транспортного типа, осуществляющаяся на протяжении многих лет, является по-прежнему, актуальной проблемой. Осуществлен методологический анализ проблемы исследования. Анализ показал, что использование методов и алгоритмов последовательного и параллельного биоинспириро-ванного поиска для решения рассматриваемого класса задач транспортного типа, является актуальной научной задачей, представляющей практический интерес. Приведена постановка задачи. Показана схема интегрированного поиска, которая позволяет распараллелить процесс нахождения приемлемого решения для задач большой размерности. Рассмотрена структурная схема биоинспирированного поиска для задачи об экстремальном пути. Представлены результаты вычислительных экспериментов. Результаты исследований позволяют сделать вывод о том, что временная сложность рассмотренных алгоритмов биоинспи-рированного поиска не выходит за пределы полиномиальной зависимости, и может быть выражена формулой: O(N2), где N - число вершин графа (размер решаемой задачи).
Алгоритм; метод; графовые модели; эвристика; структура; схема; эксперимент; исследование; генетический поиск; адаптация; искусственный интеллект; эволюция; решение.
S.N. Scheglov
METHODOLOGY OF USING BIOINSPIRED METHODS FOR INTEGRATED PROCESSING OF GREAT DATA ON THE EXAMPLE OF THE TRANSPORT TYPE PROBLEM SOLUTION
This paper presents a methodology for using bioinspired methods for integrated processing of big data using the example of solving the transport type problem. The main place among the
applied problems of the transport type is given to the tasks of building transport facilities, which
*
Работа выполнена при финансовой поддержке РФФИ (проект № 18-07-00055). 114
make it possible to minimize vehicle traffic problems or minimize the cost of transportation, minimize the cost of transport problems. Routing is the most perfect way to organize the flow of goods from enterprises, which has a significant impact on the acceleration of traffic turnover with rational and efficient use of it. For this class of combinatorial problems, there are no effective classical methods and algorithms for solving. These tasks are characterized by a finite, but very large number of possible solutions. They can be put as tasks of integer programming, but in this case there are no efficient algorithms. Therefore, the development of methods and algorithms for solving transport-type problems, which has been carried out for many years, is still an urgent problem. The methodological analysis of the research problem has been carried out. The analysis showed that the use of methods and algorithms of sequential and parallel bio-inspired search for solving the considered class of transport-type problems is an actual scientific problem ofpractical interest. The problem statement is given. An integrated search scheme is shown, which allows you to parallelize the process of finding an acceptable solution for large-scale problems. The structural scheme of the bio-inspired search for the problem of the extreme path is considered. The results of computational experiments are presented. The research results allow us to conclude that the time complexity of the considered bioinspired search algorithms does not exceed the limits of the polynomial dependence, and can be expressed by the formula: O (N2), where N is the number of graph vertices (size of the problem to be solved).
Algorithm; method; graph models; heuristics; structure; scheme; experiment; research; genetic search; adaptation, artificial intelligence; evolution, solution.
Введение. Среди приложений математического программирования большое место занимают проблемы производственно-транспортного типа. Это задачи распределения заказов между предприятиями с учетом затрат на производство и транспортных издержек; размещения производства, складов и технических средств; проектирования сложных сетей и объектов (дорог, продуктопроводов, тепловых и электрических сетей); рационального распределения грузопотоков между различными видами транспорта. Вычислительные сложности, возникающие при решении производственно-транспортных задач, зачастую связаны с их большой размерностью, многоэкстремальностью, наличием дискретных переменных [1-3]. Задачи транспортного типа занимают особое место в классе приоритетных направлений исследования информационных технологий, так как решение транспортных задач имеет актуальное значение в промышленности, на транспорте, в системах связи и других отраслях экономики.
Сегодня практически невозможно обеспечить требуемое потребителями качество обслуживания и эффективность транспортных операций без применения информационных систем и программных комплексов для анализа, планирования и поддержки принятия коммерческих решений. Благодаря разработке эффективных методов решения задач транспортного типа, стали развиваться информационные системы и технологии, обеспечившие возможность автоматизации типовых операций в транспортных процессах, для организации товародвижения на технологическом рынке транспортных услуг.
Основное место среди прикладных задач транспортного типа, занимают задачи построения транспортных маршрутов, которые позволяют до минимума сократить пробег транспортных средств или минимизировать затраты на перевозку грузов. Маршрутизация перевозок — это наиболее совершенный способ организации потоков грузов с предприятий, оказывающий существенное влияние на ускорение оборота транспорта при рациональном и эффективном его использовании.
Для данного класса комбинаторных задач, отсутствуют эффективные классические методы и алгоритмы решения. Эти задачи характеризуются конечным, но весьма большим числом возможных решений. Их можно поставить как задачи целочисленного программирования, но и в этом случае отсутствуют эффективные алгоритмы. Для решения задач транспортного типа необходима обработка больших объемов данных.
Научную новизну представляет проведение исследования тенденций и приоритетных направлений развития интеллектуальных технологий, ориентированных на обеспечение аналитической деятельности в информационных системах управления данными на основе семантической обработки больших массивов неструктурированной информации, разработка новых гибридных подходов, позволяющих эффективно работать с нечеткой или неполной входной информацией, одним из которых, являются методы биоинспирированного поиска. Данный подход позволит создавать и применять принципы, модели и алгоритмы управления данными для оптимизации процедур поиска, накопления и обработки разнородных знаний в междисциплинарных интеллектуальных информационных системах управления данными на основе моделей поведения живых систем.
Поэтому, разработка новых интегрированных методов и алгоритмов для решения задач транспортного типа, осуществляющаяся на протяжении многих лет, является по-прежнему, актуальной проблемой.
Методологический анализ проблемы исследования. Все методы решения данного класса задач можно разделить на две группы: точные и эвристические.
К точным методам относятся метод ветвей и границ, метод неявного перебора и др. В этих методах выполняется сокращения объема перебора за счет построения оценок, позволяющих опознать бесперспективные частичные решения, в результате чего от дерева поиска на одном шаге отсекается целая ветвь. Эти алгоритмы весьма просты для понимания, легко программируются на ЭВМ, обладают простой математической структурой. К сожалению, они имеют существенный недостаток - экспоненциальную временную сложность. Существуют и другие точные методы решения комбинаторных задач, но все они имеют низкую эффективность.
Отдельной категорией среди эвристических методов выделяются приближенные методы, использующие случайный поиск. Приближенные алгоритмы дают решения "близкие" к оптимальным. Для большинства практических задач достаточно получить хорошее приближенное решение за приемлемое время. Методы, применяемые для построения алгоритмов такого типа, сильно зависят от специфики задачи. Одной из тенденций, увеличения производительности ЭВМ, является построение многопроцессорных вычислительных систем, которые распараллеливают процесс обработки информации. Но детерминированные методы, не позволяют эффективно использовать вычислительную мощность ЭВМ. Отсюда возникает необходимость разработки параллельных алгоритмов решения задач.
В связи с этим, с целью снижения временной сложности алгоритмов (ВСА), актуальным является разработка последовательных и параллельных биоинспири-рованных алгоритмов для решения задач транспортного типа. В них применяются случайные правила поиска, что позволяет избежать локальные "ловушки" [2]. Биоинспирированный поиск, с точки зрения преобразования информации - это последовательное преобразование одного конечного нечеткого множества альтернативных решений в другое [3]. Само преобразование называется алгоритмом поиска или генетическим алгоритмом (ГА). В основе ГА лежит случайный направленный или комбинированный поиск. Такие методы и алгоритмы эффективно используют информацию, накопленную в процессе эволюции, для получения квазиоптимальных и оптимальных решений [2-5]. Их широкое применение обусловлено тем, что они имеют меньшую временную сложность и позволяют получать приемлемые для практики решения. Поэтому, исследование и разработка методов и алгоритмов последовательного и параллельного бионического поиска для решения рассматриваемого класса задач транспортного типа, является актуальной научной задачей, представляющей практический интерес.
Моделирование биологических процессов в естественных и искусственных системах в настоящее время связано с созданием новых моделей и методов, направленных на решение сложных проблем. Для решения задач транспортного типа на основе биоинспирированного поиска, разработаны новые структурные схемы и алгоритмы, модифицированы базисные структуры оптимизационного процесса, которые позволяют расширить область поиска решений без увеличения времени работы и сократить преждевременную сходимость алгоритмов. Далее рассмотрим применение бионического поиска на примере решения задач об экстремальных путях.
1. Постановка задачи. Решение задач данного типа сводится к решению задачи о нахождении кратчайшего пути на ориентированном графе [3].
Задача о кратчайшем пути в графе в общем виде может быть сформулирована следующим образом.
Дан граф G=(X, и), каждому ребру этого графа приписаны веса, задаваемые
матрицей С = [сг . ]. Задача о кратчайшем пути состоит в нахождении кратчайшего пути от заданной начальной вершины до заданной конечной вершины С £ X, при условии, что такой путь существует, т.е. при условии £ 6 Д (5) , где Д (5) - множество, достижимое из вершины s.
Можно выделить два основных варианта представления решения задачи: кодирование в виде списка вершин или кодирование в виде списка ребер. Применение первого варианта представления решения является неэффективным в виду большого количества получаемых нереальных решений. Поэтому наиболее работоспособным, остается вариант представления решения задачи о кратчайшем пути в графе в виде матрицы весов.
С =
где су - веса, приписанные ребру графа.
Постановка задачи позволяет использовать различные множества альтернативных решений для получения квазиоптимальных результатов.
Поскольку решение задачи о кратчайшем пути является творческим процессом, то важной ее частью является построение и выбор эффективной архитектуры алгоритмов. Поэтому, предлагается использовать бионические (модифицированные генетические, эволюционные) методы поиска оптимальных решений с точки зрения лица принимающего решение (ЛПР) базирующиеся на комплексных и эволюционных критериях, адаптированные для решения задач данного типа. [2-6].
Рассмотрим функцию оценки пригодности. Функция оценки пригодности (моделирующая функция) необходима для определения качества, ценности индивидуальности. Очевидно, что моделирующая функция создается с учетом специфики конкретной задачи.
Для задачи о кратчайшем пути значение целевой функции (ЦФ) будет равно [3]:
р = Т,Си (хи шп"
г,}=0
В процессе решения задачи необходимо минимизировать моделирующую функцию. Чем меньше значение функции, тем более ценным является решение.
с11
С12
С1т
С21
С22
С2т
Сп1
С о
п2
С
пт
2. Применение биоинспирированного поиска для решения задач об экстремальных путях. Основной трудностью решения задачи об экстремальном пути с большим числом локальных оптимумов является предварительная сходимость алгоритмов, т.е. попадания решения в локальный оптимум.
При решении задач об экстремальных путях, эффективно используют стратегии, концепции, методы и механизмы моделирования на основе интегрированного поиска. В связи с этим предлагается схема интегрированного поиска для решения задач транспортного типа, приведенная на рис. 1 [3-7]. В блоке предварительного решения возможно использование «быстрых» алгоритмов (неявного перебора, метод ветвей и границ и т.п.) для получения первоначального решения. Далее, на основе знаний и опыта экспертов (блоки ЭС, БД, БЗ), происходит выбор наиболее приемлемого подхода для решения поставленной задачи. ИПА - алгоритмы, инспирированные природными системами. AC - модифицированный алгоритм Ant Colony, РИ - алгоритм на основе роевого интеллекта, БА, ГА, ЖА, ЭА и МО - бионический, генетический, жадный, эволюционный и моделирования отжига алгоритмы решения транспортных задач. Затем происходит оценка эффективности, полученного решения. В случае получения удовлетворительного результата окончательный вариант выдается пользователю (заказчику). Иначе происходит изменение управляющих параметров, процесс повторяется либо до достижения критерия останова, либо получения приемлемого решения.
Рис. 1. Упрощенная схема интегрированного поиска
Данный подход позволяет распараллелить процесс нахождения приемлемого решения для задач большой размерности.
Рассмотрим более подробно применение биоинспирированного поиска, использованного в приведенной методике
Биоинспирированный поиск (БП) - это последовательное преобразование одного конечного нечеткого множества альтернативных решений в другое. Само преобразование называется алгоритмом поиска или ГА.
К достоинствам применения биоинспирированного алгоритма (БА) для решения задачи об экстремальном пути можно отнести:
Возможность выполнения двух видов поиска: эволюционного (ВСА - одной генерации ~О(п|) и генетического (ВСА - одной генерации ~О(п) - О(п3)). Кроме того, выбор начальных решений осуществляется из «оптимизационных» методов нахождения кратчайшего пути.
Биоинспирированные алгоритмы, по мнению автора, дадут лучшие решения, т.е. хорошая приспособленность к внешней изменяющейся среде.
БА состоит в параллельной генерации наборов квазиоптимальных альтернативных решений с возможной «миграцией» решений между этими наборами.
Биоинспирированный алгоритм (БА) представляет собой кортеж:
БА=< МЕ, РОР, OS, ГА, ЭА, F, ОР, критерий останова>,
где МЕ - модели эволюции; РОР = (р01, ..., р0Х) - исходная популяция; р0i - решение задачи, представленное в виде хромосомы; OS - оператор отбора; ГА - генетический алгоритм; ЭА -эволюционный алгоритмы нахождения кратчайшего пути; Б - функция пригодности; ОР - оператор редукции, корректирующий размер популяции альтернативных решений.
Структурная схема биоинспирированного поиска для задачи об экстремальном пути представлена на рис. 2.
Рис. 2 Обобщенная схема биоинспирированного поиска для задачи об экстремальном пути
В настоящее время существует большое количество различных модифицированных генетических, эволюционных алгоритмов, операторов отбора, редукции, возможности, применения которых широко известны для решения рассматриваемой задачи. Поэтому, более подробно остановимся на следующих блоках.
Блок «Выбор модели эволюции». В настоящее время считается важным объединение всех видов и моделей эволюций в интегрированную многоуровневую модель [5-8]. На рис. 3 приведена условная упрощенная интегрированная схема эволюции[8]. Следует отметить, что блоки 1-5 соответствуют различным схемам моделей эволюции.
Модель эволюции Ч. Дарвина - это условная структура, реализующая процесс, посредством которого особи некоторой популяции, имеющие более высокое функциональное значение, получают большую возможность для воспроизведения потомков, чем «слабые» особи. Такой механизм часто называют методом «выживания сильнейших» [8, 9].
Модель эволюции Ж. Ламарка [1-4] основана на предположении, что характеристики, приобретенные особью (организмом) в течение жизни, наследуются его потомками. Эти изменения, как утверждал Ж. Ламарк, вызываются прямым влиянием внешней среды, упражнением органов и наследованием приобретенных при жизни признаков. Согласно Ж. Ламарку, виды эволюционируют, приспособляясь и усложняясь, потому что у них существуют свойства — приспосабливаться и усложняться.
Модель эволюции Г. де Фриза [8, 9] («эволюция катастроф»). В ее основе лежит моделирование социальных и географических катастроф, приводящих к резкому изменению видов и популяций.
Модель прерывистого равновесия Гулда-Элдриджа [8, 9] является развитием и модификацией модели де Фриза. Метод прерывистого равновесия использует палеонтологическую теорию, которая строит модели эволюции на основе описаний вулканических и других изменений земной коры. Для применения данного метода предлагается после каждой генерации случайным образом «перемешивать» элементы в популяции, а затем формировать новые текущие популяции с дальнейшей реализацией различных генетических операторов. Здесь можно предложить, как аналог из природы, бессознательный отбор родительских пар и синтетический отбор «лучших» хромосом. Далее случайным образом смешать результаты обоих отборов и не оставлять размер популяции постоянным, а управлять им на основе блока эволюционной адаптации. Такая модификация метода прерывистого равновесия позволяет сократить неперспективные популяции. Согласно этой модели эволюция происходит редкими и быстрыми толчками.
Модель гиперциклов М. Эйгена и П. Шустера [8, 9] моделирует условную стадию эволюции. М. Эйген описал добиологическую фазу эволюции, в ходе которой происходят процессы отбора, выражающие свойства вещества в особых системах реакций. Они известны как каталитические циклы.
Модель К. Поппера - это условная структура, реализующая иерархическую систему гибких механизмов управления, в которых мутация интерпретируется как метод случайных проб и ошибок, а отбор - как один из способов управления при взаимодействии с внешней средой [8, 9].
Согласно модели нейтральной эволюции с нейтральным отбором М. Кимуры [8, 9] на генетическую изменчивость влияют мутации, обусловливающие изменчивость и генетический дрейф.
Основным этапом в каждой модели эволюции является анализ популяции, ее преобразование тем или иным способом и эволюционная смена форм.
Пусковой механизм эволюции функционирует в результате совместного действия эволюционных факторов в пределах популяции. В результате действия эволюционных сил в каждой популяции возникают элементарные эволюционные изменения. Со временем некоторые из них суммируются и ведут к возникновению новых приспособлений, что и лежит в основе видообразования [3, 7-9].
Блок адаптации. Предназначен для выбора и реализации различных стратегий и механизмов адаптации. Еще одно предназначение данного блока состоит в настройке и изменении порядка использования и применения различных генетических операторов и схем поиска. Результаты работы блока адаптации оказывают непосредственное влияние на процесс перестройки текущей популяции альтернативных решений и создания на ее основе новой популяции.
I ._.
Популяция Внешняя
среда
_г_
Выбор модели эволюции
V V V
Модель Модель Модель Модель Модель
1 2 3 4 5
* * * * 1
Изменение управляющих параметров
Рис. 3. Условная упрощенная интегрированная схема эволюции
Блок анализа данных и занесение в БД. Данный блок собирает и анализирует решения, получаемые в процессе выполнения алгоритмов. Каждому решению (индивиду) в результате проведенного анализа присваивается определённый ранг (перспективное, неперспективное, тривиальное и др.). При этом принимаются во внимание задаваемые на входе алгоритма ограничения области поиска. Проводимое в рассматриваемом блоке ранжирование текущей популяции альтернативных решений позволяет повысить эффективность бионического поиска за счет большей структурированности множества альтернативных решений и дает возможность динамического регулирования направления поиска. Таким образом, появляется дополнительный инструмент для самоадаптации и настройки параметров бионического поиска.
3. Проведение вычислительных экспериментов. Целью экспериментальных исследований - является анализ скорости сходимости разработанных алгоритмов.
В качестве критерия оптимальности алгоритмов используется минимальное значение целевой функции. При этом рассматривается определенное количество итераций алгоритма (число генерируемых поколений).
Проведение экспериментальных исследований преследовало выяснение следующих вопросов: адекватность механизмов бионического поиска для решаемых задач и эффективность предложенных алгоритмов.
Исследование эффективности предложенных алгоритмов заключается в определении пространственной и временной сложности и сравнении полученных бионическими алгоритмами результатов с оптимальными или, если нахождение оптимального результата невозможно, с результатами, полученными другими алгоритмами [10-12]. По выше предложенным и описанным алгоритмам, был разработан комплекс программ, который позволяет эффективно использовать преимущества генетического и эволюционного инструментария.
Исследование механизмов бионического поиска заключалось в определении влияния управляющих параметров, таких как тип селекции, тип кроссинговера, вероятность переноса гена из одной хромосомы в другую (для модифицированного кроссинговера), вероятность мутации и размер популяции.
Основными этапами экспериментальных исследований являются:
♦ проведение серии экспериментов для фиксированных значений общих параметров разработанных алгоритмов;
♦ проведение серии экспериментов с заданными изменяемыми параметрами моделей и алгоритмов;
♦ анализ экспериментальных данных;
♦ проведение серии экспериментов для различных тестовых функций и их анализ;
♦ определение оптимальных и квазиоптимальных параметров алгоритмов решения задач об экстремальном пути на графе.
С целью определения оптимальных значений управляющих параметров были произведены серии экспериментов, в которых исследовалось поведение целевой функции на одних и тех же наборах входных данных для различных значений варьируемых параметров:
♦ генетического поиска (ГП):
♦ вероятность применения ГО (ОК, ОИ);
♦ число итераций ГП;
♦ эволюционного поиска (ЭП):
♦ вероятность применения оператора мутации;
♦ число итераций ЭП.
Эксперименты проводились на различных тестовых примерах. Значения вероятностей генетических операторов изменялись дискретно от 0 % до 100 % с шагом 10 %. Размер популяции также изменялся дискретно от 0 до 200 с шагом 20. Уровень миграции для параллельного бионического алгоритма принимал все свои возможные значения. Для исследования вероятности ОК значение вероятности для ОМ было установлено равным 0%, для исследования вероятности ОМ значение вероятности для ОК было установлено равным 0 %, размер популяции при этом был равен 100 особям. Выход из процедуры осуществлялся при сходимости алгоритмов к некоторому локальному оптимуму (минимуму). При исследовании поведения ЦФ в зависимости от варьирования вероятностей применения генетических операторов учитывалась также стратегия моделирования самого ГО. В ходе проведения экспериментальных исследований оценивались зависимости времени работы алгоритма от числа генераций генетического и эволюционного поисков.
Исходными данными для работы программного комплекса нахождения решения задачи об экстремальном пути являются: количество вершин и ребер графа, матрицы смежности, размер популяции, количество поколений (итераций), вероятность применения генетических операторов.
Были проведены экспериментальные исследования влияния параметров бионического алгоритма (БА) и параллельного бионического алгоритма (ПБА) на изменение значений целевой функции (ЦФ) и времени работы: количество итераций NG, размер популяции вероятности кроссинговера, мутации и инверсии.
Параметры алгоритмов, при которых проводились исследования, были следующими:
♦ простой генетический алгоритм (ПГА): количество итераций - 100, размер популяции - 50, вероятность ОК - 90 %, вероятность ОМ - 15 %, селекция - случайная, отбор - элитный;
♦ бионический алгоритм (БА): число итераций - 100, размер популяции -50, вероятность ОК - 90 %, вероятность ОМ - 15 %, селекция - случайная, отбор -элитный;
♦ параллельный бионический алгоритм (ПБА): число итераций - 100, размер популяции - 50, вероятность ОК - 90 %, вероятность ОМ - 15 %, селекция - случайная, отбор - элитный, количество подпопуляций - 4, уровень миграций - средний.
Была проведена серия экспериментов для разного набора тестовых примеров, различающихся количеством вершин графа. Для каждого алгоритма на каждом тестовом примере было произведено 3 запуска и на их основе определено среднее время работы алгоритма. Усредненные результаты экспериментов на рис. 4, 5.
50 100 200 300 400 500 1000 1500 кол-во вершин, п
Рис. 4. Графики зависимости времени решения задачи о кратчайшем пути
от числа вершин
300 - ■
250 "
200 " в —Т ■ ПГА
150 1 1 1 БД
100 1,. 1| ПБА
50 " РЧИ11 т 1
0 50 100 200 300 кол-во 400 500 1000 1500 'Вершин, п
Рис. 5. Гистограмма зависимости изменения ЦФ от количества вершин графа для задачи о кратчайшем пути
Результаты исследований позволяют сделать вывод о том, что временная сложность рассмотренных алгоритмов бионического поиска не выходит за пределы полиномиальной зависимости, и может быть выражена формулой: 0(№), где N - число вершин графа (размер решаемой задачи).
Заключение. Исследование показало, что существуют различные искусственные интеллектуальные инструменты, которые помогают в обработке больших данных, а также в других областях вычислений. Необходима интеграция различных методов и подходов для наиболее эффективного использования современных мощностей вычислительной техники. В данной работе предложен интегрированный подход к решению задач обработки больших объемов данных на примере решения задачи транспортного типа. Приведены требования к построению алгоритмов решения задач транспортного типа. Показаны схема интегрированного поиска и условная упрощенная интегрированная схема эволюции. Представлены некоторые результаты работы программного комплекса нахождения решения задачи об экстремальном пути. Рассмотренный подход позволяет строить алгоритмы решения задач транспортного типа с локальными оптимумами за полиномиальное время. Результаты исследований позволяют сделать вывод о том, что временная сложность рассмотренных алгоритмов биоинспирированного поиска не выходит за пределы полиномиальной зависимости, и может быть выражена формулой: O(N2), где N - число вершин графа (размер решаемой задачи).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Чернышев Ю.О., Басова А.В., Полуян А.Ю. Решение задач транспортного типа генетическими алгоритмами: монография. - Ростов-на-Дону: Изд-во ЮФУ, 2008. - 73 с.
2. Курейчик В.М., Курейчик В.В. Эволюционные, синергетические и гомеостатические стратегии в искусственном интеллекте: состояние и перспективы // Новости искусственного интеллекта. - 2000. - № 3. - С. 39-67.
3. Kureichik V.V., Kravchenko Y.A. Bioinspired algorithm applied to solve the travelling salesman problem. // World Applied Sciences Journal. - 2013. - No. 22 (12). - P. 1789-1797.
4. Bova V.V., Kureichik V.V., Leshchanov D.V. The model of semantic similarity estimation for the problems of big data search and structuring // Application of Information and Communication Technologies - AICT 2017. - P. 27-32.
5. Kurejchik V.V., Kurejchik V.M. On genetic-based control // Автоматика и телемеханика.
- 2001. - № 10. - С. 174-187.
6. Бова В.В., Курейчик В.В. Интегрированная подсистема гибридного и комбинированного поиска в задачах проектирования и управления // Известия ЮФУ. Технические науки.
- 2010. - № 12 (113). - С. 37-43.
7. Курейчик В.В., Курейчик Вл.Вл. Архитектура гибридного поиска при проектировании // Известия ЮФУ. Технические науки. - 2012. - № 7 (132). - С. 22-27.
8. Гладков Л.А., Гладкова Н.В. Новые подходы к построению систем анализа и извлечения знаний на основе гибридных методов // Известия ЮФУ. Технические науки. - 2010.
- № 7 (108). - С. 146-153.
9. Kureichik V.V., Kureichik V.M., Sorokoletov P.V. Analysis and a survey of evolutionary models // Journal of Computer and Systems Sciences International. - 2007. - Vol. 46, No. 5.
- P. 779-791.
10. Курейчик В.М., Курейчик В.В., Родзин С.И. Модели параллелизма эволюционных вычислений // Вестник Ростовского государственного университета путей сообщения.
- 2011. - № 3. - С. 93-97.
11. Бова В.В., Курейчик В.В., Лежебоков А.А. Многоуровневый алгоритм решения задач транспортной логистики на основе методов роевого интеллекта // Вестник ростовского государственного университета путей сообщения. - 2013. - № 3 (51). - C. 113-118.
12. Kureichik V., Safronenkova I. Integrated algorithm of the domain ontology development // Advances in Intelligent Systems and Computing. - 2017. - Vol. 573. - P. 146-155.
13. Кулиев Э.В., Кравченко Ю.А., Логинов О.А., Запорожец Д.Ю. Метод интеллектуального принятия эффективных решений на основе биоинспирированного подхода // Известия Кабардино-Балкарского научного центра РАН. - 2017. - № 62 (80). - С. 162-169.
14. Бова В.В., Кулиев Э.В., Лещанов Д.В. Концептуальные основы автоматизированной обработки неструктурированной информации в системах управления проблемно-ориентированными знаниями // В сб. "IS&IT17". - 2017. - С. 341-350.
15. Запорожец Д.Ю., Курейчик В.В. Гибридный алгоритм решения задач транспортного типа // Известия ЮФУ. Технические науки. - 2013. - № 7 (144). - С. 80-85.
16. Курейчик В.В., Курейчик В.М., Родзин С.И. Теория эволюционных вычислений. - М.: Физматлит, 2012. - 260 с.
17. Gladkov L.A., Sheglov S.N., Gladkova N. V. The application of bioinspired methods for solving vehicle routing problems // Procedia Computer Science, 120 (2017): 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, ICSCCW 2017. - P. 39-46.
18. Кулиев Э.В., Шеглов С.Н., Пантелюк Е.А., Логинов О.А. Адаптивный алгоритм стаи серых волков для решения задач проектирования. // Известия ЮФУ. Технические науки.
- 2017. - № 7 (192). - С. 28-38.
19. Логинов О.А., Лежебоков A.A., Бова В.В., Щеглов С.Н. Интеллектуальный анализ данных на основе биоинспирированного подхода // Информатизация и связь. - 2018. - № 4.
- С. 66-72.
20. Кравченко Ю.А., Коваленко М.С. Разработка инструментальной среды обработки данных // Конгресс по интеллектуальным системам и информационным технологиям IS-IT'17: Тр. Конгресса. - 2017. - Т. 3. - С. 211-218.
REFERENCES
1. Chernyshev Yu.O., Basova A.V., Poluyan A.Yu. Reshenie zadach transportnogo tipa geneticheskimi algoritmami: monografiya [Solution of transport-type problems by genetic algorithms: monograph]. Rostov-on-Don: Izd-vo YuFU, 2008, 73 p.
2. Kureychik V.M., Kureychik V.V. Evolyutsionnye, sinergeticheskie i gomeostaticheskie strategii v iskusstvennom intellekte: sostoyanie i perspektivy [Evolutionary, synergetic and homeostatic strategies in artificial intelligence: state and prospects], Novosti iskusstvennogo intellekta [Artificial intelligence news], 2000, No. 3, pp. 39-67.
3. Kureichik V.V., Kravchenko Y.A. Bioinspired algorithm applied to solve the travelling salesman problem, World Applied Sciences Journal, 2013, No. 22 (12), pp. 1789-1797.
4. Bova V.V., Kureichik V.V., Leshchanov D.V. The model of semantic similarity estimation for the problems of big data search and structuring, Application of Information and Communication Technologies - AICT 2017, pp. 27-32.
5. Kurejchik V.V., Kurejchik V.M. On genetic-based control, Avtomatika i telemekhanika [Automation and telemechanics], 2001, No. 10, pp. 174-187.
6. Bova V.V., Kureychik V.V. Integrirovannaya podsistema gibridnogo i kombinirovannogo poiska v zadachakh proektirovaniya i upravleniya [Integrated subsystem of hybrid and combined search in design and control problems], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2010, No. 12 (113), pp. 37-43.
7. Kureychik V.V., Kureychik Vl.Vl. Arkhitektura gibridnogo poiska pri proektirovanii [Hybrid search architecture in the design], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2012, No. 7 (132), pp. 22-27.
8. Gladkov L.A., Gladkova N.V. Novye podkhody k postroeniyu sistem analiza i izvlecheniya znaniy na osnove gibridnykh metodov [New approaches to the construction of systems of analysis and extraction of knowledge based on hybrid methods], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2010, No. 7 (108), pp. 146-153.
9. Kureichik V.V., Kureichik V.M., SorokoletovP.V. Analysis and a survey of evolutionary models, Journal ofComputer and Systems Sciences International, 2007, Vol. 46, No. 5, pp. 779-791.
10. Kureychik V.M., Kureychik V.V., Rodzin S.I. Modeli parallelizma evolyutsionnykh vychisleniy [Models of parallelism of evolutionary calculations], Vestnik Rostovskogo gosudarstvennogo universiteta putey soobshcheniya [Bulletin of the Rostov state University of railway engineering], 2011, No. 3, pp. 93-97.
11. Bova V.V., Kureychik V.V., Lezhebokov A.A. Mnogourovnevyy algoritm resheniya zadach transportnoy logistiki na osnove metodov roevogo intellekta [Multilevel algorithm for solving transport logistics problems based on swarm intelligence methods], Vestnik Rostovskogo gosudarstvennogo universiteta putey soobshcheniya [Bulletin of the Rostov state University of railway engineering], 2013, No. 3 (51), pp. 113-118.
12. Kureichik V., Safronenkova I. Integrated algorithm of the domain ontology development, Advances in Intelligent Systems and Computing. 2017, Vol. 573, pp. 146-155.
13. Kuliev E.V., Kravchenko Yu.A., Loginov O.A., Zaporozhets D.Yu. Metod intellektual'nogo prinyatiya effektivnykh resheniy na osnove bioinspirirovannogo podkhoda [Method of intellectual decision-making based on bio-inspired approach], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [Proceedings of the Kabardino-Balkar scientific center of RAS], 2017, No. 62 (80), pp. 162-169.
14. Bova V.V., Kuliev E.V., Leshchanov D.V. Kontseptual'nye osnovy avtomatizirovannoy ob-rabotki nestrukturirovannoy informatsii v sistemakh upravleniya problemno-orientirovannymi znaniyami [Conceptual foundations of automated processing of unstructured information in problem-oriented knowledge management systems], V sb. "IS&IT17" [In the collection "IS&IT '17"], 2017, pp. 341-350.
15. Zaporozhets D.Yu., Kureychik V.V. Gibridnyy algoritm resheniya zadach transportnogo tipa [Hybrid algorithm for solving transport-type problems], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2013, No. 7 (144), pp. 80-85.
16. Kureychik V.V., Kureychik V.M., Rodzin S.I. Teoriya evolyutsionnykh vychisleniy [Theory of evolutionary computation]. Moscow: Fizmatlit, 2012, 260 p.
17. Gladkov L.A., Sheglov S.N., Gladkova N. V. The application of bioinspired methods for solving vehicle routing problems, Procedia Computer Science, 120 (2017): 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, ICSCCW2017, pp. 39-46.
18. Kuliev E.V., Sheglov S.N., Pantelyuk E.A., Loginov O.A. Adaptivnyy algoritm stai se-rykh volkov dlya resheniya zadach proektirovaniya [Adaptive wolf pack algorithm for solving design problems], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2017, No. 7 (192), pp. 28-38.
19. Loginov O.A., Lezhebokov A.A., Bova V.V., Shcheglov S.N. Intellektual'nyy analiz dannykh na osnove bioinspirirovannogo podkhoda [Data mining based on bioinspired approach], Informatizatsiya i svyaz' [Informatization and communication], 2018, No. 4, pp. 66-72.
20. Kravchenko Yu.A., Kovalenko M.S. Razrabotka instrumental'noy sredy obrabotki dannykh [Development of instrumental data processing environment], Kongress po intellektual'nym sistemam i informatsionnym tekhnologiyam IS-IT'17: Tr. Kongressa [Congress on intelligent systems and information technology IS-IT' 17: Proceedings of the Congress], 2017, Vol. 3, pp. 211-218.
Статью рекомендовал к опубликованию д.т.н., профессор Ю.А. Гатчин.
Щеглов Сергей Николаевич - Южный федеральный университет; e-mail: srg_sch@mail.ru;
347928, г. Таганрог, Некрасовский, 44; тел.: 88634371651; доцент.
Scheglov Sergey Nikolaevich - Southern Federal University; e-mail: srg_sch@mail.ru;
44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +78634371651; associate professor.
УДК 681.51 DOI 10.23683/2311-3103-2019-4-126-140
А.И. Рыбаков
ВАРИАНТ РЕАЛИЗАЦИИ ДЕЙСТВУЮЩЕГО ПРОТОКОЛА ПЕРЕДАЧИ
ДАННЫХ ДЛЯ РАЗРАБАТЫВАЕМОЙ АРХИТЕКТУРЫ РАДИОПЕРЕДАЮЩЕЙ СИСТЕМЫ ДЛЯ АВТОМАТИЗИРОВАННОГО
КОМПЛЕКСА СВЯЗИ
В представленных материалах дано общее описание алгоритмов кодирования и декодирования, использованных при разработке сигнально-кодовых конструкций, реализованных в макете радиостанций с оборудованием программно-определяемой радиосистемы (Software-Defined Radio - SDR). Рассмотрены форматы кадров широковещательного и полудуплексного протоколов; модуляции/демодуляции и последующей цифровой обработки сигналов, которые применяются в существующих и перспективных системах радиосвязи. Авторами статьи сделана ставка на использование OFDM-модуляции совместно с абсо-
