CC BY
6
УДК [004.421:519.16]:621.3.011.7
ОПТИМИЗИЦИЯ АЛГОРИТМА ФОРМИРОВАНИЯ МАССИВА НАБЛЮДАЕМЫХ ПАРАМЕТРОВ ЭЛЕКТРИЧЕСКИХ ЦЕПЕЙ
С.Ю. Папшева
Камчатский государственный технический университет, Петропавловск-Камчатский, 683003 e-mail: papsheva_sy@kamchatgtu. ru
Основной тенденцией десятилетия является автоматизация процессов обработки информации, в том числе и в области идентификации и диагностирования состояния электрических цепей. В работе анализируется временная эффективность алгоритма формирования множества наблюдаемых параметров пассивных электрических цепей. Особое внимание уделено временной эффективности алгоритма комбинаторного перебора всех возможных вариантов укороченных матриц. Предлагается оптимизация исходного алгоритма формирования множества наблюдаемых параметров путем использования многопоточной обработки данных, что дает улучшение быстродействия работы программного модуля примерно на 15%.
Ключевые слова: алгоритм, массив наблюдаемых параметров, комбинаторные алгоритмы, параллельные вычисления, электрические цепи.
Optimization of algorithm of formation of the massif of observed parameters. S.Y. Papsheva (Kamchatka State Technical University, Petropavlovsk-Kamchatsky, 683003)
The main tendency of decade is automation of processes of information processing, including in the field of identification and diagnosing of a condition of electric chains. In work is analyzed temporary efficiency of consecutive algorithm of the massif formation of observed parameters of passive electric chains. The special attention is paid to temporary efficiency of algorithm of combinatory search of all possible options of the truncated matrixes. Optimization of initial algorithm of formation of a set of observed parameters by use of multiline data processing that gives improvement of speed of operation of the program module approximately for 15% is offered.
Key words: algorithm, the massif of observed parameters, combinatory algorithms, parallel calculations, electric chains.
В реалиях современного мира наиболее важной задачей становится своевременное получение информации об исследуемом объекте. Для этого в последние десятилетия активно применяются всевозможные вычислительные системы, системы автоматизированной обработки информации, разрабатываются специальные проблемно-ориентированные пакеты прикладных программ. Задачи идентификации и диагностирования состояния электрической цепи также находятся в данном тренде.
В работах [1-3] предлагается модель диагностирования пассивных электрических цепей на основе многополюсного представления, где внутренняя топология объекта диагностирования представлена совокупностью структурных компонент, характер и размер которых определяется глубиной диагностирования и спецификой решаемой задачи. Там же указывается, что модель диагностирования многомерной системы может быть построена на основе использования массива наблюдаемых параметров.
Рассмотрим процесс формирования массива наблюдаемых параметров более подробно. Весь процесс можно разбить на несколько этапов:
1) получение топологического графа исследуемой системы с номинальными параметрами структурных компонент с учетом глубины диагностирования;
2) внедрение переменной величины у, характеризующей изменение номинального значения i-й структурной компоненты;
3) получение полной матрицы узловых параметров, построенной на основе топологического графа диагностируемой системы;
4) получение матриц всех возможных четырехполюсников с применением последовательного исключения внутренних полюсов;
5) получение аналитических выражений наблюдаемых параметров для формирования массива наблюдаемых параметров.
Поскольку этапы 2-5 должны повторяться циклически до тех пор, пока не будут перебраны все структурные компоненты, то логичнее всего автоматизировать весь процесс формирования массива наблюдаемых параметров.
Однако реализация четвертого этапа относится к решению задачи комбинаторного перебора, а точнее - задачи нахождения уникальных комбинаций длиной K из массива данных длиной N [4]. Общее число комбинаций определяется по формуле:
N!
-N-, (1)
K!(N - K)!
где N - длина массива данных (общее количество полюсов), K - длина комбинации (четыре внешних полюса).
Все известные алгоритмы комбинаторного перебора [4, 5] относятся к классу с самой худшей временной эффективностью 0(N!), то есть при увеличении N общее число комбинаций практически неограниченно стремится к бесконечности, и, как следствие, время выполнения программы также стремительно увеличивается.
Кроме того, на пятом этапе при получении аналитических выражений наблюдаемых параметров появляется необходимость нахождения определителя матрицы четырехполюсника. Решение данной задачи классическими методами, например методом Гаусса, дает алгоритм с временной эффективностью О(п3), где n - размерность матрицы, что тоже естественным образом замедляет процесс вычислений при последовательном исполнении программы.
Так, если в качестве примера рассмотреть блок-схему процесса формирования массива наблюдаемых параметров для исследуемой системы с полной матрицей узловых коэффициентов размерностью 6 х 6 (рис. 1), то видно, что при последовательной реализации получаем четыре вложенных друг в друга цикла, что приводит к сильной зависимости данных внутри циклов. Такая организация алгоритма привела к тому, что из-за ресурсоемкости и требовательности ко времени операции над матрицами находятся на самом глубоком уровне, время выполнения расчетов достигает как минимум 10 мин, а значит, при увеличении размерности исходной матрицы может увеличиться до нескольких часов.
В процессе исследования данной проблемы было принято решение ускорить процесс расчетов посредством многопоточного программирования с использованием средств языка C# и классов, определенных в среде .NET Framework. Однако это потребовало переработать структуру алгоритма таким образом, чтобы появилась возможность применения многопоточного программирования, так как не всякий алгоритм возможно распараллелить.
Как известно, различают две разновидности реализации многозадачности: на основе процессов и на основе потоков [6]. Принципиальное отличие между ними заключается в том, что реализация многозадачности на основе процессов приводит к параллельному выполнению отдельных программ, а на основе потоков - к параллельному выполнению отдельных частей одной программы. В нашем случае был выбран параллелизм на уровне данных, то есть многозадачность на основе потоков.
Рис. 1. Блок-схема, описывающая алгоритм процесса формирования массива наблюдаемых параметров для исследуемой системы с полной матрицей узловых коэффициентов размерностью 6 х 6
Начало
. I .
Ввод данных
г
Расчет вариаций матриц узловых коэффициентов
От 1 до количества полных матриц с шагом 1
Разбиение массива данных
От 1 до количества доступных ядер процессора с шагом 1
Расчет вариаций строк и столбцов, которые
войдут в состав четырехполюсника
X
Разбиение массива данных
От 1 до количества доступных ядер процессора с шагом 1
Расчет элемента укороченной матрицы
Разбиение массива данных
От 1 до количества доступных ядер процессора с шагом 1
Формирование массива наблюдаемых параметров
X
Вывод данных
Конец
Рис. 2. Блок-схема алгоритма формирования массива наблюдаемых параметров с использованием распараллеливания на уровне данных
Изменение структуры алгоритма привело к тому, что весь алгоритм выполняется в одном общем цикле, который и формирует массив наблюдаемых параметров. Однако внутри этого цикла осуществляются три последовательных этапа, включающих комбинаторный перебор всех возможных комбинаций внешних полюсов, расчет элементов укороченных матриц четырехполюсников и формирование массива наблюдаемых параметров, каждый из которых может быть выполнен в один и более потоков, в зависимости от возможностей вычислительной машины, на которой запущена программа (рис. 2).
Оценка эффективности применения параллелизма на уровне данных по Амдалу [5] показывает, что максимальный теоретический выигрыш в производительности параллельного решения по отношению к исходному последовательному решению для п = 4 ядер с долей последовательного вычисляемого кода а = 1/3 не может превышать
1
а +
1 -а
= 2.
(2)
Аналогичная оценка по закону Густаф-сона - Барсиса [5] дает максимально допустимое ускорение:
£ = п + (1 -п) а = 3. (3)
Практическое тестирование модуля, формирующего массив наблюдаемых параметров, на четырехядерном процессоре дало уменьшение времени выполнения расчетов для исследуемой системы с исходной матрицей узловых коэффициентов размерностью 6 х 6 примерно на 15%. Полученные результаты дают основание полагать, что дальнейшее усовершенствование метода расчета массива наблюдаемых параметров с возможностью использования параллельных вычислений может привести к ускорению вычислений, близкому к теоретическому.
п
Литература
1. Пюкке Г.А., Папшева С.Ю. Применение дуального управления при создании аналитической модели и метода диагностирования судовых электрических средств автоматизации // Автоматизация и энергосбережение машиностроительного и металлургического производств, технология и надежность машин, приборов и оборудования: Материалы Четвертой междунар. науч.-техн. конф. Т. 2. - Вологда: ВоГТУ, 2008. - С. 76-79.
2. Папшева С.Ю., Пюкке Г.А. Построение и анализ аналитической модели диагностирования систем, описываемых линейными уравнениями // Актуальные вопросы современной науки и образования: Материалы V Общерос. науч.-практ. конф. с междунар. участием. Вып. 2 / Под общ. ред. Я.А. Максимова. - Красноярск: Научно-инновационный центр, 2010. - С. 173-176.
3. Пюкке Г.А., Папшева С.Ю., Горева Т.И. Аналитическая модель и метод диагностирования электрических средств автоматизации. Ч. 2 // Известия вузов. Северо-Кавказский регион. Технические науки. - 2008. - № 1 (149). - С. 11-14.
4. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ: Пер. с англ. / Под ред. А. Шеня. - М.: МЦНМО, 2002. - 960 с.
5. Скиена С. Алгоритмы. Руководство по разработке: Пер. с англ. - 2-е изд.: - СПб.: БХВ-Петербург, 2013. - 720 с.
6. Шилдт Г. С# 4.0: полное руководство: Пер. с англ. - М.: ООО «И.Д. Вильямс», 2012. -1056 с.
УДК 666.972.163:661.682-911.4-022.532
ПРИМЕНЕНИЕ ЖИДКИХ НАНОДОБАВОК SiO2 ДЛЯ УЛУЧШЕНИЯ ХАРАКТЕРИСТИК БОРДЮРНЫХ ИЗДЕЛИЙ
В.В. Потапов1, А.Н. Кашутин1, А.В. Остриков2, К.С. Шалаев1, Д.С. Горев1
'НИГТЦ ДВО РАН, г. Петропавловск-Камчатский, 683002;
2ОАО «Камчатжилстрой», г. Петропавловск-Камчатский, 683023 'e-mail: vadim_p@inbox.ru 2e-mail: kashutin-an@yandex.ru
В статье показана возможность применения жидких нанодобавок SiO2 для повышения механических характеристик бордюрного камня на основе крупнозернистого бетона (система цемент-песок-щебень-вода). Выполнены лабораторные эксперименты, показавшие повышение предела прочности бетона при сжатии на разных расходах SiO2. Результаты технологических исследований по получению золей SiO2 и их вводу в бетоны применили для изготовления бордюрных изделий на заводе ЖБИ ОАО «Камчатжилстрой».
Ключевые слова: гидротермальный раствор, золь кремнезема, нанодобавка в бетон, прочность бетона при сжатии.
Using of SIO2 liquid nanoaditions for borders characteristics improvement. V.V. Potapov, A.N. Kashutin, A.V. Ostrikov, K.S. Shalaev, D.S. Gorev
Possibility of using SiO2 liquid nanoadditions for improvement of mechanical characteristics of borders made of concrete with road-metal was revealed in the article. Laboratory experiments confirmed concrete's compressive strength rising from addition of different nano-SiO2 dose. Technological results on producing of SiO2 sols and addition nano-SiO2 to concrete were used to manufacture of borders in "Kamchatzhilstroy" Co.
Key words: hydrothermal solutions, silica sol, nanoadditons to concrete, concrete's compressive strength.
Применение нанотехнологий в производстве бетонов
Применение наноматериалов в ряде отраслей промышленности (при изготовлении электроники, биохимических сенсоров и биотехнологических систем, медицинских препаратов, катализаторов, пластмассы и полимеров, резины, керамики, пигментов) позволяет рассчитывать на их успешное использование в строительной индустрии [1-4].
Для изучения структуры бетона используется комплекс методов исследований наноматериа-лов: электронная микроскопия, ядерный магнитный резонанс, малоугловое рентгеновское рассеяние, квазиупругое рассеяние нейтронов, спектроскопия, термогравиметрия [5-8]. Экспериментальные методы дополняет математическое моделирование структуры бетона с использованием молекулярной динамики [9].
На основе полученных результатов сформулированы новые представления о кинетике образования и структуре геля гидратов силиката кальция - C-S-H (размер, форма, плотность), который удерживает бетон в твердом состоянии и является наноматериалом. На уровне 1-5 нм этот гель имеет слоевую структуру, и слои C-S-H проявляют тенденцию к скоплению в компактные домены. Расстояние между отдельными слоями составляют несколько нм. На уровне от 5 до 100 нм домены формируют дискообразные трехмерные структуры с размерами 60 х 30 х 5 нм3 (5 нм толщина, длинная ось порядка 60 нм) - C-S-H частицы. При гидратации их количество
