CC BY
30
26.Toporkov V., Yemelyanov D., Bobchenkov A., Potekhin P. Fair Resource Allocation and Metascheduling in Grid with VO Stakeholders Preferences // Proc. of the 45th International Conference on Parallel Processing Workshops. IEEE. 2016. P. 375-384.
27.Toporkov V., Toporkova A., Tselishchev A., Yemelyanov D. Slot Selection Algorithms in Distributed Computing // Journal of Supercomputing. 2014. Vol. 69(1). P. 53-60.
28.FarahabadyM.H., Lee Y.C., ZomayaA.Y. Pareto-optimal Cloud Bursting // In: IEEE Transactions on Parallel and Distributed Systems. 2014. Vol. 25. P. 2670-2682.
State-of-the art in scheduling methods and algorithms in Grid and cloud computing
Toporkov Victor Vasilyevich, Doctor of Technical Sciences, Professor, Head of CE Department, National Rresearch University "MPEI"
Yemelyanov Dmitry Mikhailovich, Candidate of Sciences (PhD), Associate Professor, National Rresearch University "MPEI"
Toporkova Anna Stanislavovna, Candidate of Sciences (PhD), Associate Professor, HSE Moscow Institute of Electronics and Mathematics
This paper deals with the analysis of a current state of research in the field of methods and algorithms for scheduling job-flows in Grid and cloud computing.
Keywords: distributed computing, Grid, cloud computing, non-dedicated resources, scheduling, virtual organizations, economic principles
УДК 004.93
МОДЕЛИРОВАНИЕ РАССУЖДЕНИЙ НА ГРАФИЧЕСКОЙ ИНФОРМАЦИИ
В ЗАДАЧАХ СППР
Александр Валерьевич Кучуганов, канд. тех. наук, доц. каф. АСОИУ E-mail: [email protected], , ФГБОУ ВО «Ижевский государственный технический университет имени М.Т. Калашникова» http://www.istu.ru.
В работе предлагается для формального описания и структурного анализа изображений объектов использовать дескрипционную логику ALCсо специальным расширением на данные, представленные в виде атрибутивных графов, названную как ALC(GI). Назначение этой логики - сокращение области интерпретации и интерпретирующих функций для задач с графовой структурой данных.
Ключевые слова: изображение, анализ, граф, дескрипционная логика.
В процессе инженерного проектирования по данным зарубежных исследований разработчики затрачивают от 20 до 30% времени на поиск информации, будучи успешными только примерно в 50% случаев [1]. Каждый раз, когда удается избежать повторной разработки детали, экономится 20 тыс. долларов и 33 тыс. долларов - если требовалась новая технологическая оснастка для детали) [2].
В конструкторском и технологическом проектировании классификаторы деталей достаточно широко применяются с целью унификации конструкций и технологической оснастки. Они регламентированы единой системой конструкторской документации ЕСКД. Но применение их, в частности, для разработки групповых технологий, сдерживается проблемами автоматизации процесса кластеризации деталей по их чертежам или 3D геометрическим моделям. Оперативная автоматическая классификация деталей по геометрическим, техническим, технологическим, производственным параметрам могла бы повысить степень унификации технологических процессов и оснастки, обоснованность и качество нормирования труда, оптимизировать планы производства. Для этого,
в первую очередь, необходимо решить задачи Image Mining - автоматического извлечения признаков формы и относительного расположения структурных элементов из чертежей, 3D геометрических моделей, технологических эскизов.
Ниже описывается подход к извлечению семантики из изображений, который основывается на семиотическом подходе к организации знаковых коммуникативных систем и направлен на повышение качества анализа, степени детализации описаний изображенных объектов, релевантности их поиска и сопоставления с целью повышения эффективности современных СППР.
Под семантикой изображения условимся понимать кучуганов a.b.
тройку:
IS = <G, D, V>,
где:
G - атрибутивный граф морфологических элементов и пространственных связей между ними - невербальный уровень понимания изображения;
D - формализованное словесное описание изображенных объектов, пространственных и сопоставительных отношений между ними - вербальный уровень;
V - граф-схема, структурная схема - визуальное (схематичное) представление информации изображения для контроля корректности восприятия системой, визуального общения между системой и человеком. Например, в системах автоматического анализа текстов широко применяются семантические сети - информационные графические модели, имеющие вид ориентированного графа, вершины которого соответствуют объектам, а дуги - отношениям между ними.
Формально модель системы семантического анализа графической информации можно представить как кортеж:
SA = (G(B), MLAG, Г(Т), Ф, S, C', R'),
где: G(B) - исходная матрица пикселов изображения;
MLAG - синтаксическая модель изображения в виде многослойного атрибутивного графа;
Г(Т) - граф (дерево) терминологии;
Ф = Ф1 иФ2 иФ3 иФ4 - множество функций и правил морфологического, синтаксического, семантического, прагматического анализа соответственно;
S - стратегия, определяющая порядок последующего анализа в зависимости от состояния процесса, включая возвраты для уточнения информации;
C', R' - множество понятий и отношений терминологии, описывающих объекты изображения, пространственные и сопоставительные отношения между ними.
Схема процесса анализа изображения выглядит следующим образом:
МОРФОЛОГИЧЕСКИЙ АНАЛИЗ
• Контуры
• Цепочки
• Особые точки (ОТ): концы ветвей, разветвления, углы
Баоинспиршрованние методы
• Рекурсивная оптимизация ОТ
• Экствапшшщошюе
уточнение ОТ
• Отслеживание линий и захват ОТ
• Переход на слежение по
Синтаксическая модель изображения в виде многослойного атрибутивного графа MLAG (Multi Layer Attributive Graph) содержит несколько информационных слоев,
связанных бинарными отношениями, каждый слой состоит из вершин и ребер со своим набором атрибутов:
MLAG = G(v0, GSEGM, {Gedge}, {Gskel}, Gcont, {R}), (1)
где: v0 - корневая вершина с общими атрибутами изображения; GSEG1M - граф цветовых сегментов; {Gedge} - множество графов границ сегментов; {GSKEL} - множество графов скелетонов сегментов; GCONT - граф контуров изображения; {R} - множество отношений между слоями графа.
Формализованное описание изображения строится с помощью разработанной нами логики ALC(GI), основанной на дескрипционной логике ALC (Attributive Language with Complément) с расширением на графы для описания объектов, содержащихся на изображении. Логика ALC(GI) характерна наличием множества функций, анализирующих геометрическую форму и относительное расположение структурных элементов. Благодаря формальному языку изображение, по сути, становится источником данных, по которым мы можем получить не только статистическое, но и структурное описание с целью поддержки принятия решений. Расширение логики ALC на область данных в виде атрибутивных графов позволяет сократить область поиска пространственных данных. Например, вместо перебора множества пикселей изображения или множества отрезков будут проверяться только цепочки, соединяющие пары вершин.
В логике ALC(GI) атомарными концептами на графах служат понятия Граф, Связный подграф, Вершина, Дуга. Атомарные роли: Начало дуги, Конец дуги, Исходящая дуга, Входящая дуга. Из них составляются более сложные определения, известные в теории графов.
Домен «Изображение» является расширением домена «Граф» в части атрибутов вершин и ребер. В число непроизводных (атомарных) понятий предлагаемой логики ALC(GI) входят понятия, интерпретируемые на графах, и понятия (атрибуты вершин и ребер графа), вычисляемые на данных изображения, такие как: Площадь сегмента, Периметр сегмента, Цвет Сегмента, Длина, Ширина, Угол, Удлиненность, Извилистость и т.п.
Логика ALC(GI), в отличие от ALC, ищет «связанные» факты, которые выражают такие отношения, как: причинно-следственные, пространственные, составляющие прецеденты (ситуации), представляемые графами. Чтобы в атрибутивном графе найти заданный связный подграф, отображающий некоторое составное понятие, процесс ДЛ-по-иска включает дополнительно этапы перебора фактов из ABox А ' для поиска в исходном ABox связанных с ними фактов. Результаты этого (вторичного) поиска записываются в ABox А".
В синтаксис ALC(GI) добавлено правило:
Если к = 1, 2,...,K целое положительное число и С - концепт, то k:C - концепт такой, что k:C œC.
Если префиксы к Ф l, то k:C П l:C = 0.
Теперь, когда требуется один и тот же концепт C ввести в определение концепта D несколько раз и в различных сочетаниях с ролями, то каждое вхождение концепта C, не пересекающееся по экземплярам с предыдущим вхождением, сопровождается новым префиксом. Соответственно, если в обозначениях подконцептов концепта C префиксы совпадают, значит должен быть найден один и тот же экземпляр концепта C.
В список правил логики ALC(GI) добавлено правило 3R.C' установления связанных фактов, которое исключает «лишние» факты из ABox А. Так, для ДЛ-описания буквы "m" вначале отыскиваются все заданные цепочки («палочка», «дуга», «крючок») и узлы (стыки) в графе изображения вместе с их атрибутами, а затем для них ищутся факты, заданные связанными отношениями - что и как соединяется. Эти факты записываются в ABox А '.
Результатом доказательства выполнимости составного концепта будет формализованное словесное описание изображенных объектов, пространственных и сопоставительных отношений между ними в виде полного и непротиворечивого ABoxA, содержащего его под- и подподконцепты, заканчивая атомарными, а также граф GL, с помощью которого множество индивидов, удовлетворяющих искомому концепту, извлекается из ABox - раздела данных базы знаний.
В сложных случаях, например, при поиске чертежей по заданному образцу или других объектов со сложной структурой, вступает в силу метод сопоставления атрибутивных графов с помощью лучевых графов [3, с. 119], автоматически порождающий свои поддеревья поиска.
Достоинством рассуждателя ALC(GI) является также возможность автоматически генерировать ДЛ-определение для выделенного объекта изображения, основываясь на его атрибутивном графе, что существенно упрощает работу пользователей по созданию терминологического раздела базы знаний.
Для описания трехмерных объектов, получаемых кинематическим способом из плоских, в логику ALC(GI) введем операции формообразования: Вращение, Лифтинг, Трансформация, которые порождают 3D примитивы, часто называемые кинематическими объектами, т.к. образуются в процессе перемещения кривой в пространстве.
Вращение (Цепочка) - унарная операция, порождающая 3D объект типа «вал» путем вращения цепочки из элементов типа дуга окружности, отрезок прямой вокруг оси, проходящей через точки начала и конца цепочки:
Вал =3DPrimitive П Б =1. Вращение (Цепочка)
П —¡5Лифтинг.T П —5Трансформация.T
Цепочка может включать в качестве подцепочек ранее определенные цепочки, например, для образования кольцевых канавок.
Лифтинг(Контур) - унарная операция, образующая 3D объект типа «призма» (называемая также призмоцилиндрическим телом), при поступательном перемещении контура вдоль вертикальной оси на заданную высоту:
Призма = 3DPrimitive П 5=1. Лифтинг(Контур) П —5Вращение.T П —5Трансформация.T
Трансформация (a, b, c: Контур) - формообразующая операция, определяющаяся бинарным или тернарным (в общем случае, n -арным) отношением. В процессе перемещения, в частности, вдоль оси Z первый контур масштабируется другими контурами.
Далее введем бинарные отношения, описывающие некоторые возможные способы задания взаимного расположения трехмерных геометрических примитивов.
Поскольку составные 3D объекты отображаются в пространственные атрибутивные графы, здесь также приходится применять префиксы для обозначения тех подобъ-ектов, которые встречаются в описании сборки более одного раза. При этом соединение между одними и теми же двумя геометрическими примитивами может быть задано одновременно несколькими способами, чтобы однозначно установить их пространственное положение относительно друг друга.
СовпадениеПоверхностей (A, B: 3DPrimitive, a, b: Element) - отношение указывает, что трехмерные примитивы A, B соединяются между собой так, что поверхность, образованная элементом a первого объекта, и поверхность, образованная элементом b второго, совпадают. При этом границы поверхностей могут отличаться.
СовпадениеРебер (A, B: 3DPrimitive, a, b: Вершина) - отношение указывает, что трехмерные примитивы A, B соединяются между собой так, что ребро, образованное вершиной a первого объекта, и ребро, образованное вершиной b второго, совпадают.
Этим способом, например, формируются с помощью операции вычитания ( \ ) фаски и скругления или галтели - с помощью операции сложения (¿Д
СовпадениеОсей (A, B: Вал) - отношение указывает, что трехмерные примитивы
A, В, образованные операцией вращения располагаются на одной оси. При этом объект
B, может быть, как прибавляемым, так и вычитаемым.
Расстояние (A, B: 3DPrimitive, a, b: Вершина, y: Число) - расстояние между точками а, b примитивов A, B соответственно.
Очевидно, создание ДЛ описаний трехмерных геометрических моделей - работа достаточно трудоемкая. Но на примерах можно обучить машину автоматически строить описания предъявленных моделей, т.к. ДЛ-описание однозначно определяет алгоритм преобразования «чертеж - 3D ГМ».
Автоматическое описание, поиск и классификация деталей по геометрическим, техническим, технологическим, производственным параметрам.
В ходе экспериментов по синтезу классификаторов осуществлялась автоматическая кластеризация 2488 шт. деталей разных категорий (корпусные, тела вращения, плоские) по их чертежам. К признакам формы детали были отнесены такие как: плоскость открытая, плоскость закрытая, ступень, уступ, карман, окно, колодец, канавка, паз и т.д. Другие параметры, влияющие на трудоемкость изготовления: размеры линейные, угловые, радиальные, классы точности, твердости, шероховатости и т.п.
В первом эксперименте анализировались такие параметры деталей как количество отверстий, фасок, галтелей, пазов, выступов, окон, колодцев, карманов и т.д. (рисунок 5.16). Распознавание КТЭ на чертежах осуществляла разработанная подсистема графического поиска чертежей GrSearch [4]. Общее количество анализируемых параметров -12. Каждый параметр мог принимать 4 нечетких значения (очень мало, мало, средне, много) плюс одно значение, равное 0. На этапе определения локальных максимумов было получено 113 кластерообразующих точек. В результате рекурсивного поиска границ кластеров было получено 56 групп деталей. Общее время работы алгоритма с учетом загрузки информации из базы данных составило 50 секунд на персональном компьютере (ПК) стандартной конфигурации.
Во втором эксперименте детали группировались по сходству внешних контуров (рисунок 5.17). В качестве меры близости объектов была взята оценка сходства внешних контуров деталей, вычисленная разработанной подсистемой "GrSearch" и выраженная в диапазоне [0-100]. Сопоставление внешних контуров деталей друг с другом (~3 млн. пар) заняло 2.5 минуты на стандартном ПК. В результате работы алгоритма было получено 45 групп деталей.
Таким образом, авторы считают, являющиеся новыми следующие результаты: динамическая (исходя из текущей ситуации и опыта, накопленного предприятием) классификация деталей по геометрическим, техническим, технологическим, производственным параметрам позволяет повысить эффективность задач:
- поиска аналогов по геометрическим и другим параметрам;
- выявления сходства и отличий;
- унификации технологических процессов (ТП) и оснастки;
- прецедентного (CBR - Case Based Reasoning) подхода к проектированию ТП;
- повышения степени обоснованности нормирования труда;
- оптимизации планов производства.
Литература
1. von Raiko Eckstein. Interactive Search Processes in Complex Work Situations. A Retrieval Framework. - University of Bamberg Press. 2011.
2. Donna McMurry. Defense Parts Management. Program Update. - Defense Standardization Program Journal. 2008.
3. Кучуганов А.В. Структурный анализ графической информации: монография / А.В. Ку-чуганов. - Ижевск: Изд-во ИжГТУ им. М.Т. Калашникова, 2016. 240 с. ISBN 978-5-7526-0732-5
4. Kasimov, D.R. Vectorization of Raster Mechanical Drawings on the Base of Ternary Segmentation and Soft Computing / D.R. Kasimov, A.V. Kuchuganov, V.N. Kuchuganov, P.P. Oskolkov // Programming and Computer Software. - Pleiades Publishing, Ltd., 2017. Vol. 43. No. 6. pp. 337-344. doi: 10.1134/S0361768817060056
Modeling reasoning on graphical information in problems of decision support systems
Kuchuganov Aleksandr Valeryevich, Department of Automated Data Processing and Control Systems, Kalashnikov Izhevsk State Technical University
The work it is proposed to use ALC descriptive logic with a special extension for data, represented in the form of attributive graphs, named as ALC (GI) for formal description and structural analysis of object images. The purpose of this logic is to reduce the scope of interpretation and interpreting functions for tasks with a graph data structure. Keywords: image, analysis, graph, descriptive logic..
УДК.67.02, 004.942, 519.178
АВТОМАТИЗАЦИЯ ПРОЕКТИРОВАНИЯ СБОРОЧНЫХ ПРОЦЕССОВ СЛОЖНЫХ ИЗДЕЛИЙ С ИСПОЛЬЗОВАНИЕМ СИСТЕМ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ
Аркадий Николаевич Божко, канд. техн. наук, доц.
E-mail: [email protected] МГТУ им Н. Э. Баумана bmstu.ru
Рассматривается проблема автоматизации проектирования сборки сложных технических систем. Дана классификация моделей и методов решения этой важной научно-технической проблемы. Приведен обзор актуальных работ по моделированию процессов сборки при помощи технологии виртуальной реальности.
Ключевые слова. Сборка, автоматизация проектирования, виртуальная реальность, геометрические препятствия.
Автоматизация проектирования процессов сборки сложных изделий (Computer aided assembly planning, CAAP) - это важное и актуальное направление теории проектирования и современной промышленности [1]. Для решения этой сложной и многоаспектной проблемы применяют различные модели информатики и дискретной математики: теория графов, искусственный интеллект, программирование роботов, комбинаторная геометрия, математическая логика, общая и булева алгебра, теория баз данных, машинная графика, анализ столкновений (Collision detection), планирование перемещений (Motion planning) и др. (рис.1)
В [2] описаны комбинаторные модели автоматизированного проектирования, в которых изделие рассматривают как совокупность элементов (деталей, поверхностей, геометрических примитивов и др.), на которых заданы отношения различной физической природы (геометрические, механические, размерные, кинематические и др.). Методы данной группы требуют активного участия ЛПР в подготовке исходной информации.
