CC BY
24
возможностью прямой модуляции сигнала) и высокая спектральная чистота многопетлевой
(многоконтурной) системы.
Литература
1. КроупаВ., Теория частотного синтеза, Нью-Джерси, 1973.
2. Манассевич В., Синтезаторы частот, Теория и проектирование, третье издание, Джон Уайли энд санз Инк. Хобокен, Нью-Джерси, 1987.
3. Ченакин А., Синтезаторы частот: концепция продукта, дом Артек, Бостон/Лондон, 2010.
4. Йонг С. Стабилизированный осциллятор, генератор, патент США № 2,490,500, Кл. 331-25, 06.12. 1949.
5. Вудворд Д. Переменной частоты генератора колебаний, патент США № 2,490,499, Кл. 33126, 06.12. 1949.
6. Джон Уэллс. Синтезатор частоты, Пат. #4,609,881 Кл. O3L 7/00, 02.09.1986, Дата: 17 мая 1983, [ГБ] 8313617.
7. Analog Deviec [Электронный ресурс]: URL: http://www.analog.com/en/rfif-components/pll-synthesizersvcos/products/index.html # Fractional-N_PLLs (дата обращения: 5.02. 2016).
8. Skyworks [Электронный ресурс]: URL: http://www.skyworksinc.com/Products_PLLs_Synthesiz ers_VCOs.aspx (дата обращения: 02.02. 2016).
9. Hittite Microwave Corp [Электронный ресурс]: URL: http://www.hittite.com/products/index.htm l/category/295.(дата обращения: 5.02. 2016).
10. Виталий Козлов. Цифровой Частотный синтезатор с ФАПЧ, патент США № 5,748,043, 05.05.1998.
Сравнение эффективности алгоритмов адаптивного управления
светофорами Зиновьев И. В.
Зиновьев Иван Вадимович /Zinovyev Ivan Vadimovich — студент, кафедра автоматизированных систем управления, факультет автоматики и вычислительной техники, Новосибирский государственный технический университет, г. Новосибирск
Аннотация: в статье рассматриваются генетический алгоритм и алгоритм кукушки применительно к задаче адаптивного управления светофорами, проводится сравнение их эффективности с алгоритмом роя частиц.
Ключевые слова: генетический алгоритм, алгоритм кукушки, алгоритм роя частиц, оптимизация управления дорожным движением, адаптивное управление дорожным движением.
Задача адаптивного управления светофорами может быть решена множеством универсальных алгоритмов. Один из них - алгоритм роя частиц - был описан мною в [1] вместе с общим описанием подхода к решению задачи с использованием программы для микроскопического моделирования SUMO. В данной статье описываются генетический алгоритм и алгоритм кукушки, проводится сравнение их эффективности с алгоритмом роя частиц.
Генетический алгоритм.
Алгоритм впервые описан Джоном Холландом (John Holland). В книге «Адаптация в естественных и искусственных системах» (Adaptation in Natural and Artificial Systems) [2] 1975 года он представил генетический алгоритм как абстракцию биологической эволюции. Алгоритм представляет собой метод перехода от одной популяции «хромосом» (битовых строк, представляющих потенциальное решение задачи) к новой популяции, посредством механизмов отбора, скрещивания и мутации. Оператор отбора выбирает хромосомы таким образом, что чем лучше значение целевой функции хромосомы, тем выше вероятность того, что она будет взята для скрещивания. Мутация представляет собой случайное изменение некоторых генов в хромосомах. Псевдокод алгоритма:
1: Инициализация популяции особей
2: ПОКА i < количество итераций
3: ПОКА численность новой популяции < численность текущей
4: ВыбратьПаруРодительскихХромосом()
5: ЕСЛИ UniformSample() <= вероятность скрещивания
6: ПровестиСкрещивание()
7: ЦИКЛ по генам потомка
8: ЕСЛИ UniformSample() < = вер-ть мутации
9: ПровестиМутациюГена()
10: КОНЕЦ ЕСЛИ
11: КОНЕЦ ЦИКЛА
12: ИНАЧЕ
13: ДОБАВИТЬ обоих родителей в новую популяцию
14: КОНЕЦ ЕСЛИ
15: ДОБАВИТЬ потомка в новую популяцию 16: КОНЕЦ ЦИКЛА
17: ЗАМЕНИТЬ текущую популяцию на новую
18: КОНЕЦ ЦИКЛА
Так как в нашем случае каждый ген хромосомы - вещественное число, а не бит, пришлось отказаться от классической схемы скрещивания в пользу BLX-a скрещивания (blend alpha crossover) [3], выполняемого по следующей формуле:
ß f = (тini — I * а) + а * \ (maxi + I * а) — (mini — I * а) \ (1)
где - индекс гена,
ßf - значение i гена потомка ßs,
I = т axt — т i n и
- максимальное значение гена среди родительских хромосом,
- минимальное значение гена среди родительских хромосом, а = 0 . 5.
Мутация происходит посредством выбора случайного числа с равномерным законом распределения в диапазоне, соответствующим пространству поиска. Алгоритм кукушки.
Алгоритм кукушки (Cuckoo search), представленный Ксин-Ши Янгом (Xin-She Yang) и Суашем Дебом (Suash Deb) в 2009 году [4], вдохновлен стратегией воспроизводства некоторых видов кукушек, занимающихся гнездовым паразитизмом. Кукушки откладывают яйца в гнезда птиц, которые могут принадлежать к другому виду. Хозяин гнезда может обнаружить, что яйца не его и либо уничтожить их, либо покинуть гнездо.
Различные исследования показали, что полеты многих животных и насекомых демонстрируют типичных характеристики полетов Леви (Levy flights). В общих чертах, полеты Леви - это случайное блуждание (random walk) с длиной шага, имеющей распределение Леви.
Для того чтобы получить случайное число, имеющее распредление Леви, воспользуемся алгоритмом Мантегна (Mantegna's algorithm) [5]. В алгоритме длина шага s может быть получена как:
и
где и и V имеют нормальное распредление со следующими параметрами математического ожидания и дисперсии:
и - N ( 0 .о*). V - N ( 0 (3)
где
о ( Г( 1+() 5 1 п (пр/г-) ) о 0и (трМ] рг(Р~ м) ' " 1 (4)
Г - гамма-функция.
Алгоритм кукушки, описанный посредством псевдокода:
1: Инициализация популяции гнезд
2: ПОКА i < количество итераций
3: НАЙТИ ЛучшееЯйцо
4: ЦИКЛ по гнездам (п)
5: ЦИКЛ по измерениям
6: НовоеЯйцо[ п, d ] = Яйцо[ п, d ] + s *
^отта15атр1е( ) * ЬеууБатр1е( ) * (Яйцо[ п, d] - ЛучшееЯйцо[ d ]) 7: КОНЕЦ ЦИКЛА 8: КОНЕЦ ЦИКЛА 9: ЦИКЛ по гнездам (п)
10: ЕСЛИ НовоеЯйцо[ п ] лучше, чем Яйцо[ п ] 11: ЗАМЕНИТЬ Яйцо[ п ] на НовоеЯйцо[ п ]
12: КОНЕЦ ЕСЛИ 13: КОНЕЦ ЦИКЛА
14: СГЕНЕРИРОВАТЬ два яйца RandomEgg1 и RandomEgg2 15: ЦИКЛ по гнездам (п) 16: ЦИКЛ по измерениям
17: ЕСЛИ ит/огтБатр1е() < = вероятность обнаружения
18: НовоеЯйцо[ п, d ] = Яйцо[ п, d ] +
ит/огтБатр1е( ) * ( RandomEgg1[ п, d ] -
RandomEgg2[ п, d ] )
19: КОНЕЦ ЕСЛИ
20: КОНЕЦ ЦИКЛА
21: КОНЕЦ ЦИКЛА
22: ПОВТОРИТЬ строки 9-13
23: КОНЕЦ ЦИКЛА
Функции, используемые в алгоритме:
№огша18атр1е( ) - выборка из стандартного нормального распределения. иш1»гт8атр1е( ) - выборка из равномерного распределения. ЬеууБатр1е( ) - выборка из распределения Леви. Испытания.
Были проведены испытания трех алгоритмов. Результаты представлены в таблицах 1, 2 и 3.
Таблица 1. Результаты испытаний алгоритма роя частиц
Значение показателя эффективности, сек. Время вычислений, мин. Улучшение по сравнению с SUMO, %
695 2:38 14
688 2:38 15
544 2:27 32
642 2:32 20
671 2:41 17
Среднее улучшение - 19 %, среднее время вычислений - 2 минуты и 35 секунд. Таблица 2. Результаты испытаний генетического алгоритма
Значение показателя эффективности, сек. Время вычислений, мин. Улучшение по сравнению с SUMO, %
653 4:06 19.3 %
766 4:11 5.4 %
787 3:57 2.8 %
687 3:59 15.1 %
751 3:56 7.2 %
Среднее улучшение - 9.9 %, среднее время вычислений - 4 минуты и 2 секунды. Таблица 3. Результаты испытаний алгоритма кукушки
Значение показателя эффективности, сек. Время вычислений, мин. Улучшение по сравнению с SUMO, %
665 2:29 17.9 %
752 2:45 7 %
800 2:50 1.2 %
699 2:39 13.7 %
722 2:43 10.8 %
Среднее улучшение - 10.1 %, среднее время вычислений - 2 минуты и 41 секунда. Выводы.
Проведенные испытания показали высокую эффективность алгоритма роя частиц по сравнению с генетическим алгоритмом и алгоритмом кукушки. Несмотря на схожую среднюю эффективность двух последних алгоритмов, алгоритм кукушки справляется с задачей быстрее генетического алгоритма.
Литература
1. Зиновьев И. В. Алгоритм адаптивного управления светофорами на основе алгоритма роя частиц // Научный журнал. 2016. № 4 (5). С. 26-30.
2. Holland J. H. Adaptation in Natural and Artificial Systems. University of Michigan Press, 1975.
3. Picek S., Jakobovic D., Golub M. On the recombination operator in the real-coded genetic algorithms // 2013 IEEE Congress on Evolutionary Computation. 2013. С. 3103-3110.
4. Yang X.-S., Deb S. Cuckoo search via Levy flights // World Congress on Nature & Biologically Inspired Computing. 2009. C. 210-214.
5. Yang X.-S. Nature-Inspired Metaheuristic Algorithms. Luniver Press, 2010.
Разработка информационной системы для учета и сопровождения заказов компании по производству печатной продукции
Дубова И. А.
Дубова Ирина Александровна / Dubova Irina Aleksandrovna - студент, кафедра корпоративных информационных технологий и систем, Национальный исследовательский университет, Московский институт электронной техники, г. Москва
Аннотация: в статье рассматривается автоматизация процессов учета и сопровождения заказов компании по производству печатной продукции путем разработки автоматизированной информационной системы. В статье представлено решение следующих задач: анализ предметной области, проектирование ПО ИС на языке UML и описание разработки ИС «Типография» на платформе «1С: Предприятие 8.2».
Ключевые слова: информационная система, автоматизация бизнес-процессов, анализ бизнес-процессов, проектирование на языке UML, разработка информационной системы, автоматизация процессов типографии.
Введение.
Компания «Эстетика» занимается производством печатной продукции и оформлением картин в багет. За один рабочий день в компанию поступают несколько десятков заказов. В настоящее время процесс учета и контроля клиентских заказов не автоматизирован, что определяет низкий уровень обработки заказов и обслуживания клиентов. Процесс передачи технического задания в производственный отдел не эффективен и имеет высокий уровень вероятности появления ошибок. Для обеспечения высокого качества работы отдела продаж было принято решение о разработке информационной системы (ИС) «Типография» для автоматизации процесса учета заказов компании.
Анализ бизнес-процессов учета печатной продукции с использованием методологии SADT.
В результате проведения интервьюирования директора компании и анализа предметной области было выявлено, что существует три основных бизнес-процесса функционирования отдела продаж компании: «Оформление заказа», «Выполнение заказа» и «Сдача заказчику». Все бизнес-процессы были детально проанализированы и описаны с использованием методологии SADT в стандарте IDEF0 (DFD-диаграммы). Диаграмма декомпозиции бизнес-процесса «Оформление заказа» представлена на рис. 1:
