Announcements

№1 за 2024

2024-08-30

Відібрано 5 статей таких для №1 за 2024 р.:

Vadym Romanuke

Knight pseudorandom walk manifold for scrambling multidimensional data

The knight open tour problem is to build a sequence of knight moves covering a chessboard completely, without repetitions, where the starting position and ending position are always different. A solution of the knight open tour problem is similar to a sequence of pseudorandom numbers used to map data into non-readable yet usable information. The knight open tour problem has a manifold of solutions for a starting position of the knight depending on the chessboard size. Solutions of the knight open tour problem, which appear like a random series of knight positions, i. e. a pseudorandom walk, are used to further improve balance of the scrambling simplicity and productivity. The break-in probability is dramatically decreased by taking into account a knight pseudorandom walk manifold for a starting position on a given chessboard. A pessimistic estimation of the break-in probability for an chessboard is less than . A similarly expected estimation for an chessboard is less than . A distinct knight pseudorandom walk (out of a manifold of pseudorandom walks) is built online by a given seed integer for a pseudorandom number generator. The scrambled data vector is built online as well in linear runtime complexity. Meanwhile, the similarity index is acceptable, rapidly dropping as the chessboard size is increased (for bigger multidimensional data arrays). A knight pseudorandom walk is determined by the chessboard size, the starting position, the way to vectorize the knight pseudorandom walk, and the pseudorandom number generator seed allowing to specifically move the knight onward through situations with multiple possible moves of the knight. The knight-open-tour scrambler has to times lower break-in probability compared to an ordinary pseudorandom number generator, depending on the chessboard size and the starting position of the knight.

Роман Бабаков, Олександр Баркалов

Дослідження ефективності розпаралелювання процесорозалежних задач в Python на основі механізму потоків

Розглядається науково-практична задача визначення ефективності застосування паралельної обробки даних на основі потоків в мові Python для розв’язання задач, що потребують значних ресурсів центрального процесора. Досліджено загальновідоме твердження про те, що багатопотокове розв’язання процесорозалежних задач саме в мові Python не є ефективним, оскільки не приводить до зменшення часу роботи програм. Це пояснюється тим, що завдяки використанню так званого глобального замку (GIL) інтерпретатор мови Python при виконанні багатопотокових програм із застосуванням модуля «threading» спрямовує усі потоки програми на одне процесорне ядро, що виключає фізичне паралельне виконання потоків і не дозволяє зменшити час роботи програми. Дослідження, проведені авторами на прикладі задачі обробки двовимірного масиву, показали, що при розпаралелюванні процесорозалежних задач на основі механізму потоків в мові Python можливе зменшення часу виконання програми на 30 % у порівнянні із послідовним (непаралельним) розв’язанням задачі. Встановлений факт дозволяє рекомендувати застосування багатопотокового підходу, оскільки виграш в часі, що досягається, не потребує додаткових ресурсів з боку центрального процесора комп’ютера.

Юрій Антонов

Залежність швидкодії програм від інструментальних засобів розробки та синтаксичних конструкцій

Запропоновано реалізацію автоматизованої інформаційної системи, що дозволяє досліджувати та аналізувати вплив інструментальних засобів розробки та синтаксичних конструкцій на швидкодію роботи програм. Наведено фрагмент схеми бази даних даної системи та концептуальну схему взаємодії компонентів. Сформульовано вимоги до такої системи. Під час реалізації системи використовувалась архітектуру трирівневих баз даних. У якості клієнта використано спеціалізований додаток LST Client, у якості сервера додатків – LST Web Service та реляційна СУБД MySQL. Чисельні дослідження проводились для мов програмування C, C++, Fortran, Java, C#, JavaScript, PHP, Python з використанням компіляторів/інтерпретаторів, що належать до x64 архітектури під керуванням Windows 10 для освітніх установ x64. Проведені дослідження дозволили встановити, що на швидкодію програми впливає версія компілятору/інтерпретатору, та набір синтаксичних конструкції що використовується, наприклад ++i та i++. Лише компілятори мов програмування C, C++ та Fortran змогли оптимізувати код та не виконувати зайві цикли. Розроблена система дозволяє максимально автоматизувати процес тестування швидкодії програмного коду. Дана система може бути використана для оцінки нових версій мов програмування та програмного забезпечення. Отримані результати дозволяють оцінювати доцільності переходу на нові версії програмного забезпечення або акцентувати увагу студентів на слабких та сильних місцях певної мови програмування та інструментальних засобів розробки під час викладання дисциплін пов’язаних з програмуванням.

Сергій Штовба, Микола Петричко

Експрес-підбір опонентів для разової ради із захисту PhD-дисертацій

Сьогодні ради із захисту PhD-дисертацій формують в ручному режимі. Це обумовлює як корупційні ризики, так і значні витрати часу на пошук та аналіз кандидатів з великими шансами пропустити кваліфікованих опонентів. Тому виникає зацікавленість у автоматизації формування разових рад, яка дозволила б усунути зазначені ризики впливу людського фактору. Стаття фокусується на питанні експрес-підбору ради, коли потрібно сильно звузити великий список кандидатів. Подальший короткий список можна аналізувати або в ручну, або передавати на процедуру тонкого підбору, яка є ресурсно-витратною і вимагає значно більшого об’єму початкової інформації, ніж експрес-підбір. Пропонується метод призначення команди рецензентів за їх відповідністю тематиці дисертації, який на відміну від ізольованого підбору кандидатів враховує здатність саме колективу рецензентів спільно оцінити роботу за усіма аспектами її тематики. Метод є збалансованим за критеріями якості підбору і витратами ресурсів на пошук членів ради. Він складається з трьох етапів. На першому етапі здійснюється категоризація дисертації та потенційних членів ради шляхом представлення їх тематик векторами у просторі наукових спеціальностей з ANZSRC-2020. На другому етапі розраховується рівень відповідності кандидатів тематиці дисертації з урахуванням спорідненості наукових спеціальностей ANZSRC-2020. На третьому етапі підбирається склад ради, яка відповідає тематиці дисертації з максимально можливим ступенем. Для реалізації третього етапу запропоновано кілька алгоритмів оптимізації. Тестування алгоритмів на сформованому датасеті із 67 PhD-дисертацій показало, що найкращий баланс за критеріями якості підбору та витрат ресурсів на пошук колективу забезпечує жадібний алгоритм без елітизму та повний перебір на обрізаній множині кандидатів. В результаті оптимізації вдалося покращити склад разових рад в середньому на 32-55% в залежності від типу використаного алгоритму.

Євген Федоров, Тетяна Уткіна, Ольга Нечипоренко

Методи управління запасами на основі нейро-асоціативного навчання і навчання з підкріпленням

На сьогоднішній день для інтелектуальних комп’ютерних систем загального та спеціального призначення актуальним є пошук вирішення задач управління запасами. В даний час існує проблема недостатньої ефективності методів пошуку вирішення задач управління запасами. Об’єктом дослідження є вирішення завдань управління запасами. Предметом дослідження є методи пошуку вирішення завдання управління запасами на основі нейро-асоціативного навчання та навчання з підкріпленням. Метою роботи є підвищення ефективності пошуку рішення завдання управління запасами за рахунок нейро-асоціативного навчання на основі обмеженої машини Коші та навчання з підкріпленням на основі Q-навчання та SARSA. Для досягнення поставленої мети в роботі були створені метод на основі обмеженої машини Коші для завдання управління буфером запасів, метод на основі Q-навчання для завдання управління запасами, метод на основі SARSA для завдання управління запасами. До переваг запропонованих методів належить таке. Запропонована нейромережева модель обмеженої машини Коші має гетероасоціативну пам’ять. немає обмежень на ємність пам’яті; забезпечують високу точність управління буфером запасів; використовує розподіл Коші, що підвищує швидкість збіжності методу параметричної ідентифікації. Модифікація методів Q-навчання та SARSA за рахунок динамічних параметрів дозволяє підвищити швидкість навчання за збереження середньоквадратичної помилки методу. Проведене чисельне дослідження дозволило оцінити запропоновані методи (для обмеженої машини Коші середньоквадратична помилка становила 0.05, для модифікації методів Q-навчання та SARSA кількість ітерацій 300, для обох методів середньоквадратична помилка становила 0.05). Запропоновані методи дозволяє розширити сферу застосування нейро-асоціативного навчання та навчання з підкріпленням, що підтверджується їх адаптацією для завдання управління запасами, та сприяє підвищенню ефективності інтелектуальних комп’ютерних систем загального та спеціального призначення. Перспективами подальших досліджень є дослідження запропонованих методів широкого класу завдань штучного інтелекту.

№2 за 2024 р.

№1 за 2024

Information

Language