CC BY
14рассчитать значение Руст, необходимое для работы данной ПУ. Однако, это вероятно повлечёт увеличение стоимости или весогабаритных характеристик, за счёт изменения элементной базы.
Ещё одной проблемой, выделенной в [2] стала реляционная модель хранения данных о трассах ПУ, что несомненно приведёт к значительным временным задержкам при расчётах £ \Р£ (£) . На этапах отладки ПУ предлагается прибегнуть к упрощениям расчёта £ \ Р £ ( £ ) .
Любое упрощение методики — это компромисс, между надёжностью программы и скоростью получения результатов анализа, поэтому, при сохранении высоких требований к надёжности нужно искать другие методы повышения производительности. Для этого нужно определить проблемные места всего процесса (бутылочное горлышко) где возникают основные задержки. Хороший прирост производительности при работе с подобного класса задачами даёт документно-ориентированные СУБД). Или, если основные проблемы возникают при отладке на специальном комплексе, необходимо разобраться с принципами его работы, возможно можно задействовать параллельную обработку или предобработку данных (высокопроизводительные кластеры).
При использовании упрощённых методов анализа предлагается рассмотреть следующие упрощения:
1. При формировании программы выставлять приоритеты (или использовать заранее подготовленное ранжирование) для команд или подпрограмм, на основе приоритетов отбрасывать менее значимые действия, не влияющие или влияющие незначительно на работоспособность устройства.
2. Перед анализом определять процентное соотношение команд в программе по отношению к другим командам, используемым в программе управления. Основываясь на положениях закона Парето (принцип Парето, принцип 20/80) можно отбрасывать часто используемые или наоборот редко используемые команды.
3. При наличии статистики отказов (либо разработке инструмента, позволяющего накопить данную статистику) определять слабые и сильные места программ/программистов. В дальнейшем, акцентировать внимание только на проблемных местах, пренебрегая теми, где проблем обычно не возникает.
4. Основываясь на статистике (среднее время выполнения анализа, время выполнения анализа) можно указать желаемое время. Тогда программа в произвольном порядке или используя один из методов, описанных выше отбросит все проверки, которые не уложатся в отведённое время. Способ можно использовать на ранних этапах разработки.
3. При анализе трасс, в случае определения, что условия (1) или (2) не выполняются заканчивать анализ данной трассы, ставить отметку о её полной непригодности и непригодности всех трасс, вытекающих из неё.
Список литературы
1. Франтасов Д.Н. Инструменты верификации программ управления беспилотными транспортными средствами. / Д.Н. Франтасов и др. // Проблемы науки. № 2 (26), 2018. С. 12-14.
2. Франтасов Д.Н. Разработка и реализация алгоритма определения возможных путей выполнения программ управления беспилотными транспортными средствами. / Франтасов Д.Н., Мельников П.А., Климась А.С. // Международная научно-техническая конференция «Перспективные информационные технологии - 2018».
СУЩЕСТВУЮЩИЕ МЕТОДЫ РЕШЕНИЯ ЗАДАЧ ДВУХМЕРНОЙ ОРТОГОНАЛЬНОЙ УПАКОВКИ Черепанов Р.С.
Черепанов Роман Сергеевич — магистрант, кафедра управления и информатики в технических системах, Федеральное государственное бюджетное образовательное учреждение высшего образования Московский государственный технологический университет «СТАНКИН», г. Москва
Аннотация: в статье рассматриваются наиболее популярные на данный момент подходы к решению задач двухмерной ортогональной упаковки, описаны их преимущества и недостатки. Ключевые слова: задача ортогональной упаковки, методы решения.
Основные алгоритмические проблемы, с которыми приходится сталкиваться при решении двухмерной ортогональной упаковки, включают в себя проблемы логического задания фигур,
разработки эффективных методов определения пересечения, а также распределение фигур на объекте раскроя. Далее будут рассмотрены несколько наиболее часто используемых методов решения проблемы распределения фигур на плоскости.
Полный перебор
Как и в случае любой другой NP-трудной задачи, получение оптимального решения достигается путем полного перебора всех возможных комбинаций. Однако для применения такого подхода существует очень большая алгоритмическая проблема, а именно временная сложность. Если количество рассматриваемых в условии задачи объектов относительно невелико, полный перебор будет абсолютно оправданным решением, так как в результате гарантированно будет получено оптимальное решение. Временная сложность подбора последовательности элементов в решении будет возрастать с той же скоростью, что и функция /(W!), где N - число рассматриваемых элементов в комбинации. Сложность алгоритма подбора оптимальной последовательности элементов в таком случае будет иметь вид О (W!)
В случае генерации оптимальной комбинации последовательности из 1000 элементов метод полного перебора потребует приблизительно 4.023872601 х 102567 итераций алгоритма размещения фигур.
Из этого можно сделать следующий вывод: время работы алгоритма построения комбинации путем полного перебора неприемлемо в случае задач с большим количеством рассматриваемых фигур.
Метод ветвей и границ
Метод ветвей и границ был предложен в 1960 году А. Лэндом и А. Дойгом [1]. Метод представляет собой разновидность полного перебора с отличием в том, что подмножества допустимых решений, заведомо не содержащие оптимального предварительно решения, отсеиваются.
Общей идей метода является поиск минимума или максимума функции /(х) на множестве допустимых значений х. Основные процедуры метода: ветвление и оценивание (поиск границ).
Ветвление заключается в разделении множества допустимых решений на фрагменты меньших размеров. Эту операцию необходимо повторить для каждого из результирующих подмножеств. Результатом процедуры будет дерево поиска или дерево ветвей и границ, в узлах которого будут полученные подмножества.
В результате работы процедуры оценивания определяются минимум и максимум области оптимального значения для каждого полученного в результате ветвления подмножества.
Далее осуществляется отсев веток, в область оптимального значения которых не попадает нужное оптимальное значение.
Данный подход позволяет снизить временную сложность алгоритма генерации оптимального решения до О (Wlog W), что существенно эффективнее полного перебора.
Генетические алгоритмы
Генетический алгоритм - эволюционный алгоритм, суть которого заключается в случайном подборе, комбинировании и вариации параметров, аналогично естественному отбору в природе [2].
Работа алгоритма подразделяется на следующие стадии:
• скрещивание;
• селекция;
• отбор.
Алгоритм будет продолжать повторение этих шагов до получения приемлемого решения, или же до достижения лимита количества поколений или выделенного на мутацию времени. Блок-схема генетического алгоритма представлена на рис 1.
Рис. 1. Блок-схема генетического алгоритма
В случае задачи раскроя и упаковки в качестве генов особей можно рассматривать последовательность фигур на объекте раскроя, а в качестве оценки выживаемости, например,
значение полученной в результате работы функции распределения фигур общей занимаемой этими фигурами площади.
Таким образом, спустя несколько (количество поколений должно определятся исходя из количества объектов раскроя) поколений возможно получить приемлемое значение.
Главной особенностью решения NP-трудных задач при помощи эвристических методов является то, что полученное решение не обязательно является наилучшим для данной задачи. Заключение
Таким образом, выбор метода решения должен определяться в первую очередь, условиями конкретной решаемой задачи. Использование более сложных методов будет иметь смысл только в случае задачи, в которой абсолютно необходимы быстродействие и работа с большим количеством объектов.
Список литературы
1. LandH. andDoig A.G. An automatic method of solving discrete programming problems. С. 497520.
2. Панченко Т.В. Генетические алгоритмы: учебно-методическое пособие / под ред. Ю.Ю. Тарасевича. — Астрахань: Издательский дом «Астраханский университет», 2007. 87 [3] с.
3. Чеканин В.А., Чеканин А.В. Эвристический алгоритм оптимизации решений задачи прямоугольного раскроя // Вестник МГТУ «Станкин», 2014. № 4. С. 210-213.
МЕТОД СИСТЕМЫ ВЗВЕШЕННЫХ ПОКАЗАТЕЛЕЙ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССА УРЕГУЛИРОВАНИЯ ДЕБИТОРСКОЙ ЗАДОЛЖЕННОСТИ Кузнецов И.А.
Кузнецов Илья Андреевич — магистрант, кафедра управления и информатики в технических системах, Федеральное государственное бюджетное образовательное учреждение высшего образования Московский государственный технологический университет «СТАНКИН», г. Москва
Аннотация: в июле прошлого года правительством РФ была утверждена программа «Цифровая Экономика», направленная на улучшение качества товаров и услуг, произведенных в цифровой экономике, улучшение качества государственных услуг для граждан и т.д. Для компании-поставщика ресурсов (например, в сфере ЖКХ) минимизация дебиторской задолженности - это один из путей повышения эффективности работы и улучшения качества услуг. Достижение достаточной эффективности в данном направлении без автоматизированных систем контроля и управления возможно только за счет большого количества сотрудников с четкими обязанностями и выстроенными регламентами. В данной статье рассматриваются метод, благодаря которому становится возможной программная автоматизация урегулирования дебиторской задолженности. Ключевые слова: анализ, дебиторская задолженность, автоматизация.
Для компаний-поставщиков ресурсов вопрос урегулирования дебиторской задолженности всегда актуален. Чем больше у компании клиентов, тем больше договоров с задолженностью и, как следствие, требуется большее количество сотрудников для процесса урегулирования.
Существует возможность оптимизировать этот процесс путем программной автоматизации. Для этого необходимо выделить основные шаги, которые выполняются в процессе урегулирования задолженности:
1. определение из всех клиентов организации тех, которые являются должниками;
2. ранжирование по определенным показателям тех, что были выделены на предыдущем шаге;
3. принятие решения по урегулированию задолженности в порядке приоритета, установленном на предыдущем шаге.
Исходя из этого, предлагаемый метод автоматизации урегулирования дебиторской задолженности состоит из следующих основных частей:
1. определение доступных исходных данных;
2. определение показателей, основанных на доступных исходных данных и описывающих тот или иной аспект состояния должника;
3. установка весовых коэффициентов, т.е. определение «важности» каждого из показателей;
25
