Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Modeling Modeling

of Artificial Intelligence

Has been issued since 2014. ISSN 2312-0355 2014. Vol.(3). № 3. Issued 4 times a year

EDITORIAL STAFF

Simonyan Arsen – Sochi State University, Sochi, Russian Federation (Editor-in-Chief) Dreizis Yurii – Sochi State University, Sochi, Russian Federation Makarova Irina – Sochi State University, Sochi, Russian Federation Simavoryan Simon – Sochi State University, Sochi, Russian Federation Ulitina Elena – Sochi State University, Sochi, Russian Federation

EDITORIAL BOARD

Dr. Belyavskii Grigorii – Southern Federal University, Rostov-on-Don, Russian Federation Dr. Chitsyan Robert – Armenian National Agrarian University, Yerevan, Armenia Dr. Oganyan Viktor – Yerevan State University, Yerevan, Armenia Dr. Popov Georgii – Astrakhan State Technical University, Astrakhan, Russian Federation Dr. Ravindranath Cherukuri – Gyan Ganga Institute of Technology and Management, Gyan Ganga, India Dr. Saakyan Vladimir – Institute for Informatics and Automation Problems of the National Academy of Sciences, Yerevan, Armenia

Dr. Yicong Zhou – University of Macau, Macau, China

The journal is registered by Federal Service for Supervision of Mass Media, Communications and Protection of Cultural Heritage (Russia). Registration Certificate ПИ № ФС77-57043 25.02.2014.

Intelligence Artificial of ing

Journal is indexed by: CiteFactor, CrossRef, EBSCOhost Electronic Jornals Service, Journal Index, Научная электронная библиотека, Open Academic Journals Index, Sherpa Romeo.

Model

All manuscripts are peer reviewed by experts in the respective field. Authors of the А manuscripts bear responsibility for their content, credibility and reliability. Editorial board doesn’t expect the manuscripts’ authors to always agree with its opinion. 2014

Postal Address: 26/2 Konstitutcii, Office 6 Passed for printing 15.09.14. 354000 Sochi, Russian Federation Format 21  29,7/4. № 3

Enamel-paper. Print screen. Website: http://ejournal11.com/en/index.html E-mail: [email protected] Headset Georgia. Ych. Izd. l. 5,1. Ysl. pech. l. 5,8. Founder and Editor: Academic Publishing House Researcher Circulation 500 copies. Order № 103. 201 © Modeling of Artificial Intelligence, 2014 № 0 1 85

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Моделирование искусственного интеллекта

Издается с 2014 г. ISSN 2312-0355 2014. № 3 (3). Выходит 4 раза в год.

РЕДАКЦИОННАЯ КОЛЛЕГИЯ

Симонян Арсен – Сочинский государственный университет, Российская Федерация (Гл. редактор) Дрейзис Юрий – Сочинский государственный университет, Российская Федерация Макарова Ирина – Сочинский государственный университет, Российская Федерация Симаворян Симон – Сочинский государственный университет, Российская Федерация Улитина Елена – Сочинский государственный университет, Российская Федерация

РЕДАКЦИОННЫЙ СОВЕТ

Белявский Григорий – Южный федеральный университет, Ростов-на-Дону, Российская Федерация Оганян Виктор – Ереванский государственный университет, Ереван, Армения Попов Георгий – Астраханский государственный технический университет, Астрахань, Российская Федерация Равиндранатх Черикури – Гьян Ганга Институт технологии и управления, Гьян Ганга, Индия Саакян Владимир – Институт проблем информатики и автоматизации национальной академии наук, Ереван, Армения Читсян Роберт – Армянский национальный аграрный университет, Ереван, Армения Юконг Жоу – Университет Макао, Макао, Китай

Журнал зарегистрирован Федеральной службой по надзору в сфере массовых коммуникаций, связи и охраны культурного наследия (Российская Федерация). Свидетельство о регистрации средства массовой информации ПИ № ФС77-57043 от 25.02.2014 г.

Журнал индексируется в: CiteFactor (США), CrossRef (США), EBSCOhost Electronic Jornals Service (США), Journal Index (США), Научная электронная библиотека (Россия), Open Academic Journals Index (Россия), Sherpa Romeo (Испания).

Статьи, поступившие в редакцию, рецензируются. За достоверность сведений,

изложенных в статьях, ответственность несут авторы публикаций. Моделированиеискусственного интеллекта

Мнение редакции может не совпадать с мнением авторов материалов.

2014 Адрес редакции: 354000, Российская Федерация, Подписано в печать 15.09.14.

г. Сочи, ул. Конституции, д. 26/2, оф. 6 Формат 21  29,7/4.

Сайт журнала: http://ejournal11.com/ Бумага офсетная. E-mail: [email protected] А Печать трафаретная. Учредитель и издатель: ООО «Научный Гарнитура Georgia. 3 издательский дом "Исследователь"» - Academic Уч.-изд. л. 5,1. Усл. печ. л. 5,8. № Publishing House Researcher Тираж 500 экз. Заказ № 103.

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

C O N T E N T S

Farida N. Khusnutdinova, Mikhail V. Tsapenko Economical Habits in the Use of Energy Resources …………………………………………………… 88

Victor V. Kovalenko, Vladimir V. Kovalenko, Leonid M. Kanaev, Natalja Y. Kulavina, Galina A. Shashkina Three-Dimensional Modeling of Printed Board Assembly on the Basis CAD DipTrace ……………………………………………………………………………………… 92

Gennady Ya. Krasnikov, Igor V. Matyushkin, Sergey V. Korobov Visualization of Cellular Automata in Nanotechnology ………………………………………………. 98

Tamara L. Salova Virtual Reality: Peculiarities and Opportunities ………………………………………………………… 121

Victor I. Samarin Composite Principal-Dual Simplex Method for Linear Programming Solving ……………………………………………………………………………… 126

Alisa S. Simavoryan, Simon Zh. Simavoryan System and Conceptual Approach in Public Relations ……………………………………………….. 133

Victor Ya. Tsvetkov Conclusions of Intellectual Systems …………………………………………………………………………. 138

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 88-91, 2014

DOI: 10.13187/mai.2014.3.88 www.ejournal11.com

UDC 332

Economical Habits in the Use of Energy Resources

1 Farida N. Khusnutdinova 2 Mikhail V. Tsapenko

1-2 Samara State Aerospace University, Russian Federation 1 Graduate student E-mail: [email protected] 2 PhD (Economy), Associate Professor E-mail: [email protected]

Аbstract One of the main conditions in transition to sustainable social and economic development for the entity of the Russian Federation is a significant increase of energy efficiency of the region’s economy. Energy saving is a key factor for energy efficiency increase, economic efficiency and economical safety of the region as well as its industrial enterprises and complexes. Keywords: energy efficiency; energy saving; energy security; energy efficiency of the economy; energy-efficient society.

Введение Несмотря на все более широкое распространение энергосберегающих и энергоэффективных технологий в последнее время, во всем мире прогнозируется, что будет происходить рост энергопотребления. Это связывают, прежде всего, с двумя факторами – ростом численности населения и повышением качества жизни. Однако прирост и концентрация населения будет наблюдаться только в отдельных регионах и территориях, таких как Латинская Америка и Юго-Восточная Азия, которые и будут основными потребителями энергии. Вследствие того, что пик роста населения пройдет, рост энергопотребления произойдет только за счет повышения уровня жизни населения [1]. Исходя из этого тезиса необходим поиск компромисса между высоким качеством жизни и бережливости в отношениях к природным ресурсам. Этой проблеме посвящен очередной доклад Римскому клубу – «Фактор четыре. Удвоение богатства, двукратная экономия ресурсов» [2]. Со времени промышленной революции прогресс был связан в первую очередь с увеличением производительности труда. Доклад «Фактор четыре» предлагает новый подход к прогрессу, ставя во главу угла увеличение продуктивности ресурсов – «предприятия должны избавляться от непродуктивных киловатт-часов, тонн и литров, а не от своих работников» [2, с. 16]. Как утверждают авторы доклада, население планеты может жить в два раза лучше и в то же время тратить в два раза меньше ресурсов, что необходимо для устойчивого развития человечества в будущем. Решение заключается в том, чтобы использовать топливно-энергетические ресурсы более эффективно. Таким образом, путь к процветанию экономик стран мира лежит через «революцию в эффективности».

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

В Российской Федерации «революция в энергоэффективности» начала свой новый виток с Указа Президента Российской Федерации от 04.06.2008 г. №889, в соответствии с которым энергоемкость ВВП России должна быть снижена на 40% к 2020 году по отношению к уровню 2007 года. Реализация поставленной цели базируется на трех ключевых документах: Федеральном законе РФ от 23.11.09 №261-ФЗ «Об энергосбережении и о повышении энергетической эффективности», Энергетической стратегии России на период до 2030 года и Государственной программе энергосбережения и повышения энергетической эффективности на период до 2020 года. Этот Федеральный закон создает правовые, экономические и организационные основы стимулирования энергосбережения и повышения энергетической эффективности, а Государственная программа является основным инструментом практической реализации энергосбережения и повышения энергетической эффективности в России. Необходимость повышения энергетической эффективности также нашла свое отражение в главных стратегических ориентирах долгосрочной государственной энергетической политики Российской Федерации на период до 2030 года. Среди приоритетов – энергетическая безопасность, энергетическая эффективность экономики и экологическая безопасность энергетики. Энергетическая безопасность является одной из ключевых составляющих безопасности субъектов Российской Федерации. Обеспечение высокого уровня энергетической безопасности регионов, выражается в доступности и надежности энергоснабжения отраслей экономики и населения, подразумевает контроль и регулирование следующих факторов: обеспеченность региона нефтью и его самообеспеченность электроэнергией, надежность функционирования энергосистемы региона, зависимость от поставок природного газа из-за пределов региона, надежность обеспечения предприятий и населения моторным топливом. Повышение энергетической эффективности региональной экономики в долгосрочной перспективе зависит от следующих основных факторов: обеспечения рационального использования собственных первичных топливно-энергетических и возобновляемых ресурсов, а также повышения эффективности процессов выработки, передачи и потребления тепловой и электрической энергии. Удельная энергоемкость ВВП России в 2012 г. снизилась, по сравнению с 2005 г. на 15,7% при прогнозируемом в «Энергетической стретегии-2030» снижении этого показателя к концу первого этапа (2013–2015 гг.) на 24 %. Интегральная энергоемкость экономики России в 2012 г. снизилась на 3,1 % [3]. В соответствии с Прогнозом долгосрочного социально-экономического развития Российской Федерации на период до 2030 года рост суммарного ВРП России может составить к 2030 году по отношению к 2011 году – 215 %. Если не снижать энергоемкость, то обеспечение роста ВРП будет сопровождаться пропорциональным ростом энергопотребления. Рост ВРП в экономической системе может быть достигнут без существенного увеличения энергопотребления за счет вложения инвестиций в повышение энергетической эффективности и энергосбережение в секторах производства и потребления энергоресурсов. В соответствии с Государственной программой «Энергосбережение и повышение энергетической эффективности на период до 2020 года» - достижение рационального использования топливно-энергетических ресурсов возможно путем: реализации энергосберегающих мероприятий; повышения энергоэффективности жилищно- коммунального хозяйства и различных отраслей экономики; а также расширения использования возобновляемых источников энергии. На эти мероприятия планируется привлечение внебюджетных средств в размере - 8837 млрд. рублей. Таким образом, основной объем финансовых ресурсов приходится на хозяйствующие субъекты – 92,7%, а бюджетные средства составляют лишь 7,3% от совокупной суммы финансирования Программы за период с 2011 по 2020 годы. Такое соотношение источников финансирования потребует разработки организационных механизмов привлечения частных инвестиций и системных процедур оценивания результативности энергосберегающих мероприятий [4-11].

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Большая часть мер государственной политики в области энергосбережения и повышения энергетической эффективности представляет собой установление правил, требований, ограничений и запретов в области непроизводительных расходов предприятиями энергетических ресурсов. Таким образом, кроме конкуренции в отрасли и роста цен на энергоносители, государственная политика стимулирует предприятия пересмотреть взгляды на потребление энергоресурсов и оптимизировать издержки на энергоснабжение. Принятие Федерального закона №261 внесло изменения и дополнения в Кодекс об административных правонарушениях РФ – статья 9.16 «Нарушение законодательства об энергосбережении и о повышении энергетической эффективности» Административного кодекса содержит двенадцать частей, несоблюдение которых влечет наложение штрафа в размере от 10 до 600 тысяч рублей. Также были внесены изменения не только в Административный, но и в Налоговый, Жилищный, Градостроительный кодексы, а также в законы «О защите прав потребителей», «Об электроэнергетике», «О государственном регулировании тарифов на электрическую и тепловую энергию в РФ», «О бухгалтерском учете». Таким образом, правительство страны определяет условия, в которых энергетические ресурсы производятся и потребляются на разных социально-экономических уровнях, что обеспечило бы устойчивое социально-экономическое развитие страны и регионов. Энергоресурсоэффектифность – это не только комплекс мероприятий, это, прежде всего, образ мышления. Государственная политика заниженных цен на энергоресурсы, доля которых в себестоимости промышленной продукции составляла от долей до нескольких процентов, обусловила низкую эффективность энергоиспользования. Обладая значительными природными ресурсами, долгие годы, потребляя их в неограниченных количествах, мы мало заботились о том, как организовать их эффективное использование. В настоящее время ситуация кардинально изменилась. Ввиду быстрого увеличения цен на энергоносители, затраты на них во всех сферах выросли многократно. Но надо признать, что сознание и менталитет людей еще не изменились. Бережливое отношение к теплу и электроэнергии должно начинаться с каждой квартиры, каждого рабочего места, каждого конкретного человека. Основополагающее в деле повышения энергоресурсоэффектифности–необходимость структурных изменений потребительского поведения и пересмотра социальных и культурных норм в отношении использования энергетических ресурсов. Переход к энергоэффективному обществу связан с формированием нового поколения энергопользователей, имеющего качественно иное отношение к энергии, которое на уровне обыденного поведения и здравого смысла накладывает запрет на непродуктивную трату энергоресурсов, в тоже время поощряет концентрацию и использование энергии.

Примечания: 1. Прогноз мировой энергетики 2012 (WEO-2012): аналит. обзор / Международное энергетическое агентство. Париж, 2012 г. 655 с. 2. Вайцзеккер Э., Ловинс Э., Ловинс Л. Фактор четыре. Затрат — половина, отдача — двойная. Новый доклад Римскому клубу / перевод А.П. Заварницына и В.Д. Новикова, под ред. академика Г.А.Месяца. М.: Academia, 2000. 400 с. 3. Энергетическая стратегия России на период до 2030 года: утверждена распоряжением Правительства РФ от 13 ноября 2009 г. № 1715-р. 4. Государственная программа Российской Федерации «Энергосбережение и повышения энергетической эффективности на период до 2020 года»: утверждена распоряжением Правительства РФ от 27 декабря 2010 г. N2446-р. 5. Сергієнко М.І. Головні напрямки роботи з енергозбереження на «Укрзалізниці» та їх результати // Локомотив-информ. 2007. № 3. С. 22–25. 6. Котельников А. В. Программа энергосбережения // Железнодорожный транспорт. 2005. № 2. С. 67–68. 7. Ситніченко В., Кісельова Г. Нові стандарти систем енергетичного менеджменту// Стандартизація. Сертифікація. Якість. 2012. № 3. С. 53–58. 8. Нив Г. Организация как система: Принципы построения устойчивого бизнеса Эдварда Деминга / Пер. с англ. М.: Альпина Бизнес Букс, 2007. 370 с. 90

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

9. Баринов В., Елиферов В. Использование стандартов на системы менеджмента качества – путь к управлению эффективностью // Стандарты и качество. 2011. № 8. С. 58–63. 10. Митрохин Ю.В., Алферов В.Ю., Лакин И.К. Внедрение и мотивизация бережливого производства на предприятиях ОАО «РЖД»//Железнодорожный транспорт. 2011. № 5. С. 46–49.

References: 1. Prognoz mirovoi energetiki 2012 (WEO-2012): analit. obzor / Mezhdunarodnoe energeticheskoe agentstvo. Parizh, 2012 g. 655 s. 2. Vaitszekker E., Lovins E., Lovins L. Faktor chetyre. Zatrat — polovina, otdacha — dvoinaya. Novyi doklad Rimskomu klubu / perevod A.P. Zavarnitsyna i V.D. Novikova, pod red. akademika G.A.Mesyatsa. M.: Academia, 2000. 400 s. 3. Energeticheskaya strategiya Rossii na period do 2030 goda: utverzhdena rasporyazheniem Pravitel'stva RF ot 13 noyabrya 2009 g. № 1715-r. 4. Gosudarstvennaya programma Rossiiskoi Federatsii «Energosberezhenie i povysheniya energeticheskoi effektivnosti na period do 2020 goda»: utverzhdena rasporyazheniem Pravitel'stva RF ot 27 dekabrya 2010 g. N2446-r. 5. Sergієnko M.І. Golovnі napryamki roboti z energozberezhennya na «Ukrzalіznitsі» ta їkh rezul'tati // Lokomotiv-inform. 2007. № 3. S. 22–25. 6. Kotel'nikov A. V. Programma energosberezheniya // Zheleznodorozhnyi transport. 2005. № 2. S. 67–68. 7. Sitnіchenko V., Kіsel'ova G. Novі standarti sistem energetichnogo menedzhmentu// Standartizatsіya. Sertifіkatsіya. Yakіst'. 2012. № 3. S. 53–58. 8. Niv G. Organizatsiya kak sistema: Printsipy postroeniya ustoichivogo biznesa Edvarda Deminga / Per. s angl. M.: Al'pina Biznes Buks, 2007. 370 s. 9. Barinov V., Eliferov V. Ispol'zovanie standartov na sistemy menedzhmenta kachestva – put' k upravleniyu effektivnost'yu // Standarty i kachestvo. 2011. № 8. S. 58–63. 10. Mitrokhin Yu.V., Alferov V.Yu., Lakin I.K. Vnedrenie i motivizatsiya berezhlivogo proizvodstva na predpriyatiyakh OAO «RZhD»//Zheleznodorozhnyi transport. 2011. № 5. S. 46–49.

УДК 332

Концепция бережливости в использовании топливно-энергетических ресурсов

1 Фарида Наилевна Хуснутдинова 2 Михаил Владимирович Цапенко

1-2 Самарский государственный аэрокосмический университет имени академика С.П.Королева (национальный исследовательский университет), Российская Федерация Самара, Московское шоссе, 34 1 аспирант E-mail: [email protected] 2 кандидат экономических наук, доцент E-mail: [email protected]

Аннотация. Одним из главных условий перехода к устойчивому социально- экономическому развитию субъекта Российской Федерации является существенное повышение энергоэффективности экономики региона. Энергосбережение представляет собой важнейший фактор повышения энергоэффективности, экономической эффективности и экономической безопасности региона и его промышленных предприятий и комплексов. Ключевые слова: энергоэффективность; энергосбережение; энергетическая безопасность; энергетическая эффективность экономики; энергоэффективное общество.

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 92-97, 2014

DOI: 10.13187/mai.2014.3.92 www.ejournal11.com

UDC 681.3

Three-Dimensional Modeling of Printed Board Assembly on the Basis CAD DipTrace

1 Victor V. Kovalenko 2 Vladimir V. Kovalenko 3 Leonid M. Kanaev 4 Natalja Y. Kulavina 5 Galina A. Shashkina

1 Ryazan State Radio Engineering University, Russian Federation Gagarina street, 59/1, Ryazan, 390005 PhD (technical), associate professor E-mail: [email protected] 2 Sochi State University, Russian Federation Sovetskaya street 26a, Sochi city, Krasnodar Krai, 354003 PhD (technical), associate professor E-mail: [email protected] 3 Moscow psychological and social university (Ryazan branch), Russian Federation Yablochkova street 5, Ryazan, 390023 Direktor 4 Ryazan State Radio Engineering University, Russian Federation Gagarina street, 59/1, Ryazan, 390005 Assistant, e-mail: [email protected] 5 Ryazan State Radio Engineering University, Russian Federation Gagarina street, 59/1, Ryazan, 390005 Assistant, e-mail: [email protected]

Abstract The article features designing techniques of a 3D-model of board assembly on the basis of free source CAD applied in educational process. It is also suggested to apply it in the design of CAD DipTrace printed-circuit board, the sequence of 3D-models designs of elements, printed circuit board, electronic components, printing knot and a product was developed. The collected data were integrated into the educational process. Keywords: printed circuit board; board assembly; three-dimensional model; components; export; import; CAD; design preparation of production; analysis.

Введение Важную роль в сокращении сроков и повышении качества конструкторской подготовки производства электронных средств играет математическое моделирование механических, тепловых и электромагнитных воздействий [1, 2, 3]. При этом широко

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

применяются 3D-модели изделий и их составных частей. Также трехмерные модели сборок и изделий используются для проверки их собираемости. Следует отметить, что 3D-модели должны содержать информацию по тепловым и механическим свойствам материалов, электрическим параметрам электрорадиоэлементов и т.д.

Результаты При наличии трехмерной модели электронного изделия можно решать задачи инженерного анализа следующим образом: • экспорт трехмерной модели в CAE-систему с помощью промежуточных форматов данных; • генерирование конечно-элементной модели; • выполнение заданного анализа (статического, частотного, теплового и т.д.) [4, 5, 6]. Процесс получения трехмерной модели печатного узла (под печатным узлом понимается печатная плата с установленными на ней электронными компонентами) состоит из следующих шагов:  разработка конструкции печатной платы;  экспорт в CAD-систему информации о конструкции печатной платы в соответствующем промежуточном формате;  разработка 3D-модели печатного узла. Выполнить данные шаги можно с помощью множества САПР, однако в условиях бюджетного учебного заведения целесообразным является использование свободно распространяемых программ. Разработка конструкции узла выполнялась с помощью свободно распространяемой САПР DipTrace, а построение трехмерной модели в SolidWorks для учебных заведений [7-10]. Для создания промежуточного файла в требуемом формате выполняется команда Файл / Экспорт / DXF. В открывшемся окне выделяются слои для экспорта, файл сохраняется под новым именем. Затем файл открывается в САПР SolidWorks для выполнения операции импорта слоев (рис. 1).

Рис. 1. Эскиз печатной платы

В файлах, экспортированных из DipTrace, не всегда точно передаются размеры диаметров отверстий, поэтому их необходимо отредактировать. Применяя к эскизу печатной платы команду «Вытянутая бобышка», получают 3D- модель печатной платы (рис. 2).

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Рис. 2. 3D-модель печатной платы

Аналогичным образом создается 3D-модель контактных площадок верхнего слоя печатной платы (рис. 3), а также печатный рисунок электрических соединений.

Рис. 3. 3D-модель контактов печатной платы

3D-модели электронных компонентов проектируются в САПР SolidWorks или берутся из библиотек. Формирование 3D-модели печатного узла может выполняться по двум методам: метод замены двумерных электронных компонентов на трехмерные компоненты и метод экструзии, который заключается в формировании габаритных моделей в виде параллелепипедов по заданной высоте компонента. После создания 3D-моделей всех деталей и компонентов производится сборка печатной платы и всего изделия (рис. 4).

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Рис. 4. 3D-модель изделия

Заключение Использование 3D-модели печатного узла позволяет избежать большого числа ошибок и неточностей на ранних этапах проектирования электронных средств. Предложенная методика проектирования 3D-модели печатного узла показала эффективность при ее использовании в учебном процессе.

Примечания: 1. Пирогова Е.В. Проектирование и технология печатных плат: Учебник. М.: ФОРУМ: ИНФРА-М, 2005. 560 с. 2. Суходольский В.Ю. Сквозное проектирование функциональных узлов РЭС на печатных платах в САПР Altium Designer 6. Учебное пособие. Часть I. СПб.: Издательство СПбГЭТУ «ЛЭТИ», 2008. 152 с. 3. Петросянц К.О. Электро-тепловое моделирование полупроводниковых приборов, микросхем и электронных модулей // Материалы совещания по САПР РЭА КМЭ при секции № 1 НТС Ядерного Оружейного Комплекса Госкорпорации «РОСАТОМ», М., ВНИИА, окт. 2011. 4. Похилько А.Ф. Комплексное проектирование узлов РЭС с использованием САПР PCAD в системах 3D моделирования (КОМПАС 3D, SolidWorks) Методические указания по лабораторному практикуму дисциплины «Компьютерное проектирование РЭС». Ульяновск: УлГТУ, 2009. 40 с. 5. Компьютерный инжиниринг: Учеб. пособие / А.И. Боровков, С.Ф. Бурдаков, О.И. Клявини и др. СПб.: Изд-во Политехн. ун-та, 2012. 93 с. 6. Информационные технологии в проектировании радиоэлектронных средств: Учеб. пособие для студ. высш. учебн. заведений / Ю.Л. Муромцев, Д.Ю. Муромцев., И.В. Тюрин и др. М.: Издательский центр "Академия", 2010. 384 с. 7. Проектирование РЭС: CAD/CAM/CAE/PDM: Лабораторный практикум / В.В. Коваленко, Н.Ю. Кулавина, Г.А. Шашкина и др. [Электронный ресурс]. ИНТУИТ. URL: http://www.intuit.ru/studies/courses/674/530/lecture/11928 (дата обращения 29.04.2014). 8. Ляхов П.В., Яковлева Е.М. Разработка печатных плат радиоэлектронных устройств в САПР DIPTRACE//Молодежь и современные информационные технологии: Сб. трудов VIII Всеросс. Научно-практ. конф. Студентов, аспирантов и молодых ученых. Томск: Изд-во ТПУ,, 2010, с. 21-22.

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

9. Яковлева Е.М., Ляхов П.В. Разработка печатной платы САПР DipTrace. Метод. Указ. К выполнению лаб. Работ по курсу АПСиСУ для студентов спец. 220201. Томск: Изд-во ТПУ, 2009, 32 с. 10. Яковлева Е.М., Вычугова А.А., Использование САПР DipTrace для автоматизации проектирования печатных плат.//Прикладная информатика, 2008, №6(18), с. 44-50.

References: 1. Pirogova E.V. Proektirovanie i tekhnologiya pechatnykh plat: Uchebnik. M.: FORUM: INFRA-M, 2005. 560 s. 2. Sukhodol'skii V.Yu. Skvoznoe proektirovanie funktsional'nykh uzlov RES na pechatnykh platakh v SAPR Altium Designer 6. Uchebnoe posobie. Chast' I. SPb.: Izdatel'stvo SPbGETU «LETI», 2008. 152 s. 3. Petrosyants K.O. Elektro-teplovoe modelirovanie poluprovodnikovykh priborov, mikroskhem i elektronnykh modulei // Materialy soveshchaniya po SAPR REA KME pri sektsii № 1 NTS Yadernogo Oruzheinogo Kompleksa Goskorporatsii «ROSATOM», M., VNIIA, okt. 2011. 4. Pokhil'ko A.F. Kompleksnoe proektirovanie uzlov RES s ispol'zovaniem SAPR PCAD v sistemakh 3D modelirovaniya (KOMPAS 3D, SolidWorks) Metodicheskie ukazaniya po laboratornomu praktikumu distsipliny «Komp'yuternoe proektirovanie RES». Ul'yanovsk: UlGTU, 2009. 40 s. 5. Komp'yuternyi inzhiniring: Ucheb. posobie / A.I. Borovkov, S.F. Burdakov, O.I. Klyavini i dr. SPb. : Izd-vo Politekhn. un-ta, 2012. 93 s. 6. Informatsionnye tekhnologii v proektirovanii radioelektronnykh sredstv. : Ucheb. posobie dlya stud. vyssh. uchebn. zavedenii / Yu.L. Muromtsev, D.Yu. Muromtsev., I.V. Tyurin i dr. M.: Izdatel'skii tsentr "Akademiya", 2010. 384 s. 7. Proektirovanie RES: CAD/CAM/CAE/PDM: Laboratornyi praktikum / V.V. Kovalenko, N.Yu. Kulavina, G.A. Shashkina i dr. [Elektronnyi resurs]. INTUIT. URL: http://www.intuit.ru/studies/courses/674/530/lecture/11928 (data obrashcheniya 29.04.2014). 8. Lyakhov P.V., Yakovleva E.M. Razrabotka pechatnykh plat radioelektronnykh ustroistv v SAPR DIPTRACE//Molodezh' i sovremennye informatsionnye tekhnologii: Sb. trudov VIII Vseross. Nauchno-prakt. konf. Studentov, aspirantov i molodykh uchenykh. Tomsk: Izd-vo TPU,, 2010, s. 21-22. 9. Yakovleva E.M., Lyakhov P.V. Razrabotka pechatnoi platy SAPR DipTrace. Metod. Ukaz. K vypolneniyu lab. Rabot po kursu APSiSU dlya studentov spets. 220201. Tomsk: Izd-vo TPU, 2009, 32 s. 10. Yakovleva E.M., Vychugova A.A., Ispol'zovanie SAPR DipTrace dlya avtomatizatsii proektirovaniya pechatnykh plat.//Prikladnaya informatika, 2008, №6(18), s. 44-50.

УДК 681.3

Трехмерное моделирование печатного узла на основе САПР DipTrace

1 Виктор Васильевич Коваленко 2 Владимир Васильевич Коваленко 3 Леонид Михайлович Канаев 4 Наталья Юрьевна Кулавина 5 Галина Алексеевна Шашкина

1 Рязанский государственный радиотехнический университет, Российская Федерация 390005, Рязанская область, г. Рязань, ул. Гагарина, 59/1 Кандидат технических наук, доцент E-mail: [email protected] 2 Сочинский государственный университет, Российская Федерация 354000, Краснодарский край, г. Сочи, ул. Советская, 26 а Кандидат технических наук, доцент E-mail: [email protected] 96

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

3 Московский психолого-социальный университет (Рязанский филиал), Российская Федерация 390023, г. Рязань, проезд Яблочкова, д. 5 4 Рязанский государственный радиотехнический университет, Российская Федерация 390005, Рязанская область, г. Рязань, ул. Гагарина, 59/1 Ассистент E-mail: [email protected] 5 Рязанский государственный радиотехнический университет, Российская Федерация 390005, Рязанская область, г. Рязань, ул. Гагарина, 59/1 Ассистент E-mail: [email protected]

Аннотация. В статье рассмотрена методика проектирования 3D-модели печатного узла на основе свободно распространяемой САПР для применения в учебном процессе. Предложено использовать при проектировании печатной платы САПР DipTrace, разработана последовательность проектирования 3D-моделей элементов конструкций печатной платы, электронных компонентов, печатного узла и изделия. Полученные результаты внедрены в учебный процесс. Ключевые слова: печатная плата; печатный узел; трехмерная модель; компоненты; экспорт; импорт; САПР; конструкторская подготовка производства; анализ.

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 98-120, 2014

DOI: 10.13187/mai.2014.3.98 www.ejournal11.com

UDC 004;519;621

Visualization of Cellular Automata in Nanotechnology

1 Gennady Ya. Krasnikov 2 Igor V. Matyushkin 3 Sergey V. Korobov

1-3 JSC Mikron, Russian Federation Moscow, 124460, 1st Zapadny pr., 12/1 1 The Director General, academician of the RAS, professor 2 Head of laboratory in Dep. of Persp. Technol. in Nanoelectronics, PhD (physico-mathematical sciences) E-mail: [email protected] 3 Ph.D., junior researcher

Abstract We present classification methods of cellular automata (CA) visualization. A general CA visualization model has been formalized. Visualization goals are defined within the scope of CA simulators. We introduce a new class of CA with locking. Some visualization methods are illustrated on the base of a simple 3D CA imitation of this class. Keywords: cellular automata; visualization; nanotechnology; modeling; multimedia.

Cellular automata theory associated with the names of Von Neumann and Conrad Zuse has great fundamental importance for the overall science and various application. Beginning from publications of T. Toffoli and N. Margolus in 1980ies [1] cellular automata (CA) have been used in physical-chemical processes simulation. By the middle nineties cellular-automata modeling has penetrated [2] into the humanities dealing with exploration of multiagent systems in urban planning (crowd, traffic jam). The recent ten-year period was marked by publication boom in different fields of science relating to CA models [3, 4]; at the same time the mathematical theory of cellular automata continues its development [5]. Provision of CA models with the special software, so called ―machines of cellular automata‖ (MCA is not to be confused with CAM in terms of Toffoli; MCA could be considered as a particular case of Integrated Problem Solving Environments, i.e. PSEs), is inevitably related to some extent to visualization problems. The analysis of the existing MCA is given by L.Naumov in [6]; the review [7] is still actual too. However the authors of CA models, in spite of some spontaneous discoveries, did not approach the visualization problems as system problems. To fill in this gap is the aim of this paper continuing our previous work devoted to MCA SoftCAM development [8]. We pay special attention to 3D CA. First of all exactly these 3D CA models most adequately and naturally reproduce the gaining technology and properties of nanostructured materials (particularly, porous [9] and ceramic materials used in nano- and microsystems, and photonic crystals as well). Critical problems include material and energy transfer in VLSI interconnections,

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

intermediate low-K insulator (aerogel or xerogel SiO2). Secondly, the problems of Data Mining (smart data analysis) are of great importance here. Those problems aimed to solve hydrodynamics issues have caused a relatively new (1987) discipline – ―scientific visualization‖ – and are still actual in CA modeling [10]: «…One of the prime motivating factors for integrating graphics into scientific and technical fields is the evergrowing volume and complexity of information needing analysis. Computers are a prime cause of the information glut but also offers a solution through graphic imaging. When a researcher generates large quantities of data, they cannot afford to narrowly and deeply analyze every bit of it». Besides, CA are often used directly for creation of art images (art visualization [11], algorithmic music [12]). It can be illustrated by Continuous-Valued Cellular Automata in the CAPOW program [13], modeling [14] the wave equation. In terms of possible applications in the mobile multimedia market which are popular among teenagers, the analysis of potential visualization strategies is of great interest too.

Visualization regarding MCA architecture On one hand, visualization problems are solved by a separate subsystem within MCA, on the other hand, they are inseparably linked with the whole computational process (Figure 1). The interaction can be even unexpected: so, the parallel performance of CA model upon CUDA- technology [15,16] enables the same low-level hardware as the rendering. Low-level issues of visualization at the remote terminal with a cloud/network implementation of CA model also requires consideration. MСAs are developing along with the parallel computing technologies and usually, for example in MCA CAME&L [6] and CAMELot [17], provide their support in a standard distribution kit. Low-level visualization problems have rather a «back-end» nature than a scientific one, and depend on details of the computing system architecture and the concrete realization of data flows. However we shall concentrate upon much higher-level aspects of CA visualization having supposed a common situation in OpenGL or DirectX application.

Figure 1. MCA architecture in terms of visualization. 99

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Should we discriminate between the problems of visualization and the problems of editing of the CA field? In many programs like Golly these problems are solved for the users almost with the same interface tools. No doubt that a consistent MCA should provide the user with an ability, due to visualization results in real-time mode, to stop the computation at any moment, to modify the cell content (or the content of the cells in case there is need to download one of the necessary patterns from the library file), and to continue monitoring further computation. We clearly see that the visualization problems arise not only on the stage of representation of the output data, but already on the stage of preparation of the input data, even on the stage of initial global CA pattern which in terms of mathematics is an integral part of CA model. It expresses the active character of visualization [18]. However it would be more correct to discriminate between visualization of CA computation directly and visualization of CA model’s initial data (even if these data are the previous results), the parameters of each of them may differ much at that. This statement is well illustrated by presence of rapidly increasing and unlimited configurations which is typical for many CA; to perceive the essence of the process it is necessary to enable the auto scaling. A large scale and a middle scale with detailed visual cell displaying are necessary for editing a CA field, and a middle scale and a small scale – for visualization of CA with an unlimited population when the screen pixel is equal to tens of cells. Many CA simulators, first of all those ones which are created as java-applets and that is why are very much alike with entertaining games, make the MCA designers to pay much attention to the real time mode. In general often it is not considered that data generation process and data visualization may be separated in time. A kind of compromise might be considered as video compiled with computer screenshots captured during CA modeling. It seems to be more correct in terms of time sharing to generate shots of picture directly corresponding to the global CA configurations. Comparing with the MATLAB system graphics it would be more preferable to use the «imwrite» command than the «print/saveas» commands. In the above case for a 3D model it is possible to record simultaneously 4 video files (or even 1 video file with a doubled size of the shot) each showing the scene view with a fixed camera position (ignoring the real-time mode rendering). The next question to the MCA designers is: to keep visualization parameters separately from the CA model or to include them its description? Such evident parameters for the Game of Life (GoL) are the color of the pixel or the square answering a live or dead cell. It is natural for the 3D CA to put conformity, but not identification between the cell and the voxel/metaball of the geometric model. Then instead of color identification of the cell state it would be interesting to use forms and sizes of the metaballs. Anyway, it is possible to treat the visualization parameters abstractly. Certainly, these parameters are linked to the visualization models and have the meaning within the frames of the latter ones. CA simulators offer default coloring scheme and provide with interface tools of colormap change (for example, a gradient filling option between two colors is offered in Golly). Even in advanced simulators the items of visualization and visualizer’s interface are settled primitively. We consider the main point of the problem on base of the simulator Golly [19] and its embedded 2D CA ―Generations‖, its specific pattern ―Burst‖ has been given in the file burst.mcl (Mirek's Cellebration MCell format, widely popular simulator operating with modified RLE-format data):

01 #MCell 4.00 02 #GAME Generations 03 #RULE 0235678/3468/9 04 #BOARD 400x400 05 #SPEED 0 06 #WRAP 1 07 #CCOLORS 9 08#L 12.A$12.A$12.A$12.A$12.A$12.A$12.A$11.3A$11.3A$9.7A$9.7A$7.11A$25A$7. 09 #L 11A$9.7A$9.7A$11.3A$11.3A$12.A$12.A$12.A$12.A$12.A$12.A$12.A

(the lines are enumerated, the comment lines are deleted, the lines devoted to visualization are bold-typed) The second line indicates the class of CA and simultaneously gives a prompt to Golly which colormap should be loaded (on default, gradient from yellow to red for live cells, i.e. from young to 100

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 old). The third line describes CA rules, in this case: life cycle of generation – 9 steps, and survival and birth rules as well. Sometimes in this line there is a text name of the transition function referring to the more detailed description. The fourth line specifies the initial size of the CA field and at the same time the size of the visualization field. The fifth and the sixth lines refer to the computation features. The seventh line states the number of the colors used - 9. In other variants of mcl-files it is just omitted for it results from the line 03 and the concept ―each state has its own color‖. The lines 08 and 09 compactly specify the cross pattern according to the RLE formats («.» is a dead cell, А is a young cell, $ is the character of new matrix line, the figure before the dot or a letter is the number of repetitions). While the lines 02 and 04 mainly refer to CA model and only indirectly to visualization, the line 07 only refers directly to visualization issues. This code does not indicate which colormap is to be used and encloses no references to the code indicating that. With advanced MCA the most promising way of data structuring for XML-code and addressing the DOM-standard promoted by the W3C consortium. But this recognition occurred only in the recent years [20,21]. In our SoftCAM MCA development we based on the following principles: • The cells classes, the neighborhood template, the transition rules (this triad actually form the CA model), initial patterns and visualization parameters are distributed in the library files; • The assembly is proceeded as a kind of a representing CA XML file, its structure fields are available for the user’s editing (in particular, an user can insert his own C++ code into the SoftCAM editor); • The visualization model and parameters designated in the XML file can be modified with the visualizer’s interface tools.

The third issue is attributed to dimension. It is important to underline that CA dimension and topology do not determine the visualization dimension and topology. We identify the visualization dimension as dimension of array data elements forming the display image. For example, if the CA ―Generations‖ cell is brought to correspondence with a certain height of the colored column proportional to the color (with the fixed colormap), the visualization model would not become tridimensional though it is clear that the 3D graphics has been used. If the voxels for different step numbers (applicate axis – time) are mapped in this 2D CA the visualization model would not become a 3D type. We are able to choose the image we need though a linear visualization is natural for 1D CA, and a chessboard kind – for 2D CA, and a cube or sphere kind – for 3D. The fourth aspect concerns the need in generation of additional mathematical structures caused by necessity of CA ―raw‖ data array analysis and, accordingly, those data which are subject to visualization first of all. It is the case when the CA is played in a cube having the edge of 256 cells in 256 steps, and the volume of ―raw‖ data is 232 byte = 4Gb. Generally, these structures are interactive, they accumulate the scientific meaning of CA computation because the CA simulation results must be treated semantically, and it could be realized with the above supporting structures. To fill them with number content it is convenient to foresee a call of a certain function after each global transition iteration of CA computation (that can be easily described in a certain partition of XML file SoftCAM). The necessity of carrying out such operations on the global CA configuration is caused by a complicated structure of CA cell assigned to simulate the physical process. It is obvious that complication of the cell state leads to increase the visualization variants. It is accepted in SoftCAM that the cell state is defined rather neither by a byte, nor by an integer byte, but by a union (―union/record/structure‖ in different programming languages) of any primitive objects. Let us consider an instructive example produced by Denis Krylov in the early 90ies in DOS simulator of Conway’s game. GoL itself is despondently bicolor and in order to paint its animation at each step the time arithmetic average of each cell state was memorized (or the total sum of bits having been in the cell), i.e. when xtij  - is the state of the cell at the t-th step, then the voxel color 1 t is determined as yij() t  x ij  k  . Color indexing was chosen as a real variable (see the t k1 Appendix) and in the place of the cell a colored voxel was mapped instead of a common ―black and white‖ view. Gradient color transition allowed to get artistic images. Figure 2 given below shows an implementation of such a visualization method in MCA SoftCAM for a rather famous figure «r-

101

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 pentamino» that gives stochastic evolution at the first 1103 steps, then it becomes periodic with a two steps period. Such method allows to recognize the history of the previous steps of CA evolution. For instance, in the center of Figure 2(d) there is a green block which is absent in Figure 2(с); it means that this figure has existed for a long time but by the present step it has disappeared.

Figure 2. r-pentamino evolution in the GoL. The left column (a,c,e) presents classic visualization for the 25th step (a,b), for the 175th step (с,d) and for the 1103th step (e,f). The right column presents visualization with the arithmetic average, and (b,d) are given for the color map А, (f) – for the color map B (see Appendix). Fig. (a) shows frame-by-frame the r-pentamino having 5 squares. Diagonal row follows the ―glider‖ flight path. The condition of ―death line‖ on the edges of CA leads to the appearance of white spots caused by the flown away ―gliders‖ on the edges of Fig. (e,f).

102

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Hypothetically we can consider the CA model ―Generations‖ concerning distribution of an epidemic (color indicates a stage of disease), having begun at the point center of the circle. Assume that the CA grid is square and we could evaluate the possibility of an onset of immunity with certain probability. An epidemiologist can be interested in dynamics of the number of those who have died and those a who have immunity depending on the distance to the nidus of infection. Then the visualization model would be 1D, and the ―lost‖ of dimension is caused by integration along the concentric circles at each iteration. With the help of such a method we shall get an animated column diagram. Generated on base of the ―raw‖ CA data the structures could verify the CA model itself. With the cellular automata simulation of diffusion processes it is necessary that the local transition equations meet the substance conservation requirements. It is especially important because classic CAs are discrete. In block CAs of the Margolus automata type this requirement is met automatically but in other cases the problem is still urgent. As V. Vanag put it quite fairly [22], ―There arises a question: How can we find then the local rules following which a set of separate elements of the system in total will reproduce the dynamics desired? This question still has no answer.‖ That is why it is desirable to integrate along the whole field at each iteration of CA computing in order to identify an ―unlawful‖ change of the number of atoms of any kind.

General principles of CA visualization

In the field of visualization research there is a ―periodic table‖ specially developed [23]. However it is rather abstract and too oriented to presentation of data from humanities; CAs need their own special methods to be developed. It is necessary to treat the CA matrix being saved in memory or in a hard disc as an uncertain metaphysical entity permitting a variety of presentations. This approach adopted from geometrical modeling is applicable not only for 3D but for any other CAs, and for both much simpler ones, and even much more complicated in topography (for example, for triangle and hexagonal grid). Experience in geometrical modeling can be used in solving the CA visualization problems, though partially, because: а) it has to do directly with three-dimensional solid body; b) CA model provides with comprehensive data on the object and the geometrical model tends to develop it from the compact mathematical formulas; c) as one solid body can be described with a number of presentations (models), the same is with one CA – it can be also described with a number of visualization models; d) methods of interaction with computer graphic environments are the same. It is useful to borrow the term ―voxel‖ from computer graphics; here we define it as that that is on the computer display corresponding to the CA cell. One of the principles of scientific visualization, especially important for 3D CA, is elimination of redundant data. Even in 70ies the forerunner of scientific visualization W. Bowman wrote [24]: ―In the graphic figure natural features can be shown in terms of their physical view – or they can be formalized to underline the most essential details. The structure is understood as a physical constitution of the object which is not perceived in common circumstances. The structure stands exposed when in the graphic structure there appear those inner elements of the object which are usually hidden or those inner elements of the object which can be seen only having admitted that its outer elements are transparent‖. Introduction of auxiliary mathematic structures in this case is one of the ways of Data Mining application to the cellular automation data. Data Mining methods for CA are still waiting their application but we can preliminarily outline the targets on the basis of only CA mathematic theory demands. For example, in case of massive configuration of the GoL (we assume, 300300 cells) we are interested not in each cell behavior, but in the number of ―gliders‖ born, of stable ―hive‖ or ―block‖ configurations, and of ―space ships‖ and other popular patterns. With the visualization then we can draw any stylized sign or a metaphor instead of a flying ―glider‖. As for the CA simulators of nanotechnologies, with describing the processes of substance crystallization or pore-formation it is desirable to implement smart functions of determination of the number of clusters in the CA system, of the moment (and conditions) of the percolation threshold, etc. At last the CA simulator has its research importance only in case when it is able to predict macroscopic parameters, and to

103

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 provide this it is necessary to aggregate microscopic parameters and those which are directly accessible for the CA data. Let us give an abstract definition of visualization model. First of all we must identify the ―raw‖ data Y of CA computation. We enter B1,B2,...,BN – the elementary sets on the base of which the cell state X is built, the set M of CA-matrix indices built on the basic of time tuple T and a set of special indices Ms of dimension d: d XBBBMTMM12   N, s   ,   0,1,  , ,  s  f:, M X  Y  M  X (1)

mM   yYprym :,,1    yy 1 2  Y pry 1 1  pry 1 2  y 1  y 2  Here pr – is the projection derivation operation for the set or its element determined by Cartesian product (). Notice that though the definition (1) looks like the CA definition, there is no concept of the transition function and the neighborhood template which essentially fill the parameter d with practical sense, i.e. ―CA dimension‖. With visualization CA data dimension adopted from CA model has an insignificant value; in fact, coming from the data storage method in computer memory as a linear sequence of indicators of blocks of a fixed size, this dimension can be equal to 1. Enter a set of indices А, belonging to D-dimension array and partitioning of the initial set М into several parts: D MMAD  ,  ,  1,2,3 (2) A If the array coincides with the initial CA model, then Dd1. This partitioning, from one hand, introduces an index visualization set and, accordingly, a dimension of the visualization model D, and from another hand, prepares the following data aggregation (if we do not carry out the aggregation we’ll have AM ). The method of partitioning can be of any kind: either unconstrained consisting of, for example, synchronism fixation, i.e. AM s , or conditional depending on the cell states (then in a general case MMA,, ). For instance, when counting the number of nanocrystals in the CA crystallization model (or the number of pores in the pore-formation model) we can accept that the cells belong to one cluster if there exists 1 or 2 cells having the same component value as in one of component states (B1) in the cell neighborhood. In this case the rules of neighborhood template definition U must be specified if this general case differs from that one used in CA computation:

( A )(  m  M )(  m  M ) (3)

((m Um ())(  prfm1 ()  prfm 1 ())(   prm 2  prm 2  )) So, we can speak about the abstract partition function g:2MX   A M , i.e. each     A

―raw‖ Y is responded by the index set А and the set partition family M  . To aggregate the data we’ll introduce the rule representing the function (in terms of programming), permitting the argument list of variable length: h:{ n  , Xnp }  Z  , 0  p  5  D (4) In the example of Figure 2 h is performed by the rule of arithmetic average, d=2, D=3 (two- dimensional array and time) and p=2 (color and time). If we take into account a possibility of animation we’ll be able to present (p+1)=3 of the parameter, notably: dynamics of color and height/size of 3D-voxel (with the assumption that color presents only one parameter). Therefore it could be highly possible to present 2 parameters, and taking into consideration the cognitive complicity of 3D on the 2D-screen we get only 1 presented parameter. In (4) we nominally wrote  , though there are possible cases of aggregation into integer variables (and with computer real type of data are still discrete) even in Boolean data. We also give a generic color map for aggregated features that transform the state of a cell group Z into color magnitudes and voxel forms Q (herewith even common graphics like y(x) and

104

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 z(x,y) can be treated as modifications of a voxel presentation, and the set Q corresponds to the scene lighting schemes): v: Z Q Q (5) It is desirable but not obligatory to apply the requirement of one-to-oneness on the function v. We call the basic visualization model the seven consisting of three sets and four functions: . Either aggregated features along the whole family of sets with index A or, on the contrary, a part of data within one set with the fixed index   A can be visualized. In the first case we shall amplify the basic visualization model with the set of V1:

V1 {   A ( , v ( h ( M ), f ( M )))} (6)

In the second case we shall amplify it with the set V2:

V2 {  m  M ( m , v ( h (1, f ( m ))))} A (7) We do not consider the case when on the computer display there are several visualizations (for example, for the 3D automata – 3 cross sections and 3D animation). We should probably specify a mathematical structure inherited from basic model and the union of sets like V1 и V2. Similarly to that, it is possible to specify the animation scenario treated as a sequence of visualization models. CA visualization methods (models) are classified in Figure 3. The first criterion is the visualization model dimension D, entered according to (2). To explain the case having some topology peculiarities we could imagine CA specified on the spherical surface where chemical reactions are proceeding, here we should take into account the effect of the molecule adsorption layer and the subsurface layer, we could assume it to be charged. Every layer is specified by the cell matrix having its own size. Such a model, from one hand, is no longer two-dimensional but not yet three-dimensional, from the other hand. We should mention coupled CA [25], where could also be some topology peculiarities. As far as we talk around the data indexation and there are four- dimension arrays known in programming, there could be 4D simulators and those of much more dimension; if we simulate with CA endofullerens it would be reasonable to use the presentation ―cube-in-cube‖ in this case [26].

Figure 3. Classification of the methods of cellular automation data visualization according to four criteria 105

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

The second criterion is relatively simple – if we are interested in static or dynamic picture. We should only notice that animation can be in a real-time mode and a delayed (step-by-step) mode, it can also keep the data on the screen and remove the old data. As for the third criterion, by the model semantics, we distinguish native, partial and intelligent (smart) models. In the native model the analog approach WYSIWYG is implemented, i.е. the cell state is fully presented without any preprocessing (―what is in CA – that is what I see‖). The native model could be called more exactly – complete model, and the word ―natural‖ could be reserved for а narrower class of models: complete, animated in the real-time mode, voxel type, without violation of dimension and topology, i.e. when Dd . In the partial models either a certain cell state component (one of BB1,, N , and not X, see (1)) or a certain simple function of them h(1,X) is presented (4). Another variant of partial models is based on the principle: a certain data slice in space is visualized that is formalized by partitioning (2) и (7). In smart models the Data Mining methods are supposed to be used with the inevitable aggregating (6), and Figure 2 (the right row) is the result of the smart visualization model. According to the fourth criterion the models are divided into continuous and voxel. With creating an abstract visualization model (1-7) we implied first of all the voxel type meaning that some possible graphic dependencies can be interpreted through voxels. This proviso mainly deals with the visualization aspect; we used the condition that the part of the common plot y=y(x), arranged between two vertical lines of the grid is considered as curved contour edge of trapezoid voxel with the number identified with the feature of abscissa axis scale. However, with a more thorough analysis this proviso only worsens the matter. The continuous models are doing well when the results of Data Mining having no CA specificity are mapped. These results may be probably processed with general tools and outside the MCA [14]. Following the conventional division for the scientific visualization we have assigned a scalar and a vector models, and the suspension points in Figure 3 mean a possibility of application of the famous, non-specific to the CA methods of classification. Besides, much depends on the initial problem definition: for example, if in each cell corresponding to rather a large area of the physical surface or space, the electric-field vector is specified by CA computation, the direct initial problem might consist in getting the potential continuous distribution. It is worth remembering about the space and time quanta used, and to proceed from the voxels indices mapping to meters and seconds, and we need an interpolation of CA data for that, and we have great interest towards the very type of the interpolator itself. To solve the last problems it is more reasonable to use such tools as the MATLAB software etc.; in this case the data reset into the text file in the process of the CA computation can be processed many times. That is why we emphasized mainly the voxel simulations. The term ―voxel‖ comes from computer graphics and, being the result of liaison of the English words ―volume‖ and ―pixel‖, and means the element of volumetric image which contains the item value of the object cell. With regard to CA we give a little different definition: voxel – is one or a group of adjacent pixels semantically linked with one CA cell or with one of the CA partition elements. Accordingly, its dimension, though we speak about it rather for convenience, is different: 1D – one pixel, a line segment, an arrow (to map the liquid flow rate, e.g., [27]) or an arc; 1,5D (text and graphics models, which is typical for old simulators [28] and that follows the technical concept of the character cell) – a character or a pictogram. We should not underrate the latter method that seems to be appropriate only for the linguistics CA-models (see [29] – the study of Perm scientists in dislocation generation kinetics. The most popular are 2D voxels (squares, circles, hexagons) and 3D-voxels (cubes, spheres), e.g., in the form of Lego blocks or dice [30]. CAs can be used even for morphing of 3D-objects [31]. As a rule, voxel’s color and/or transparency visualizes the cell state (color dependent models) but it is possible to encode some additional data with a form or a size, and here indirectly text and graphics motivation arises. For example, Figure 2(f) allows 3D interpretation in case the voxel height is given proportionally to its color (precisely, to arithmetic mean value). By compact voxel models we mean a case of the screen space natural filling (linear, template, cubic) with voxels without missequencing and hole spaces. If the voxel is transparent, i.e. invisible, we still consider the model to be compact. However, the initial physical topology of the problem (e.g., nanopore material) or just the researcher’s wish could demand another arrangement of voxels; imagine, for

106

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 example, it is necessary to compute mechanical stress in beams of the ―Birds Nest‖ stadium in China or to study rats behavior in a labyrinth.

Methods of Visualization of one-dimensional CAs. Sounding generation. Talking on one-dimensional CAs we cannot forget one of the CA theory developers Stephen Wolfram, the creator of Mathematica Software, a concept of experimental mathematics, and the author of the bestseller ―A New Kind of Science‖ devoted to CA [32]. He introduced classification of 1D CA transition rules of the following type: а) the cell state – {0,1}; b) neighborhood template – the cell itself and one neighbor from the left and one neighbor from the right. Then each group of three will be corresponded by the future cell state 0 or 1. If we write out all combinations from (0,0,0) to (1,1,1), they will be corresponded by an eight digit coding the whole transition function. Using this method we get number 256 of the transition rules, some of which allow to get pretty configurations: rule 18 gives the ―Sierpinski’s carpet‖ fractal. 1D CA is easily visualized with a static 2D-model (Figure 4, and we intentionally used a 3D-voxel model) in the ―length-time‖ axes.

Figure 4. The ―Sierpinski’s carpet‖ fractal obtained according to the rule 18 in SoftCAM MCA. Dimension of the CA-model d=1, dimension of the visualization model D=1, dimension of the voxel – 3

A very long row of CA cells should be placed as a matrix, and the numbering can vary (Figure 5). This method application [32] to the natural number sequence with the means of the PYTHAGORAS system has lead to the results of the additive number theory; the idea is to write out 16 numbers in a line. The opposite is also correct: a small 2D CA in regard to the field size can be unrolled in line and mapped like 1D CA. However, in a compressed (rolled) format it is not advisable to disorder the initial neighborhood, as it is shown in Figure 5(с).

107

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Figure 5. 16-cells 1D CA visualization with a two-dimensional model. a) a serial numbering of the 44 square; b) a spiral numbering; c) a triangle numbering ―4 in 1‖; d) a spiral numbering in hexahedral cells

Traditionally the 1D CAs are used for musical samples (http://tones.wolfram.com/) but of course, there are no limits in dimension of CAs; along with the visualization we can mention the audization of CA. Multimedia opportunities of CAs have been commercialized already. The market of such mini-games is rather large covering teenagers attracted not only with blinking lights but also with unique sounds, and beginners-composers who have no music education. Recently the Novation company produced a USB-controller Launchpad, designed for live work with the Ableton Live program, having taken a step to the simple and visual control of music editor. The controller has 8x8 appointed keys and buttons for option selection providing the software control. In 2009 Jason Hotchicks programmed audization of the Conway’s game for this application [34]. CA-audization presents one of the variants of algorithmic music since CA can generate periodical figures (and any music contains repetitive parts) and are able for chaotic behavior. In early 2000-ies Eduardo Mirando (of Sony Corp.) published a number of articles on this topic and created a CAMUS tool for CA audization [35-37]. There are some other works too [38, 39]. General principles of audization do not likely differ from principles of visualization though some specific features are not excluded. We briefly consider here the problem of CA data transfer into the midi- sequence. As for the mp3-format and more developed music forms including human voice imitation, we express our confidence that it is possible to generate such a kind of music with the

108

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 help of CA. If the CA cell state is more complex than of a bit one and is presented a byte (correspond to the notes from ―do‖ to ―ti‖) then it will be much easier to obtain midi-sequences. In the simplest way, if we assume an L of instruments, then the tape of Boolean 1D CA is divided into 8L blocks; each byte codes (Figure 6): with two bits – volume (4 levels), the next group of three bits - duration (in regards to the cycle but not less than 1/8 of the cycle period), the last group of three – the note value (do-re-mi-…). As it is sometimes done [39], it is possible to limit the field with 88 cells, implying 8 orchestra instruments. And it is obvious that from the algorithmic point of view it does not matter whether 2D CA or 1D CA considered in the 2D model is audized.

Figure 6. The simple scheme of generation of midi-sequence with the help of 1D CA. L=3

To generate a wav-file it is possible to use the following scheme: а) the total time of sounding is divided into equal small segments of duration T; b) on each k-th segment the wave is presented with pairs (amplitude, phase)= (ass , ),1  s S , and the S number depends on depth of discrete Fourier transform; c) each pair is given by two adjacent cells of byte CA. S 2 S W( tk t  t k  T )  a s cos s  s , T ~ sec (8) s1 T 440 Accordingly we divide the 1D CA tape (Figure 7) into multiple fragments, if we need to get an appropriate sounding duration, the length 2S.

Figure 7. The simple scheme of generation of wav- sound with the help of 1D CA. Three time segments fit in one cycle (step) of CA. S=8, the cell state – 1 byte.

Visualization methods of two-dimensional CA. Isometric view. Currently 2D CAs, including those used in nanoelectronics, present the majority. 2D CAs are visualized more naturally: the visualization 2D model of the 2D-voxel type with animation along CA steps. Of course, the visualization 3D model is also possible when the time coordinate is transferred into the third dimension. However, it is difficult to name the reason of the necessary reduction to 1D (Figure 5). There might be a difficulty triangularity or hexagonalarity of the grid, but it exists mainly within the CA-model frames, or to be more exact, within the neighborhood template, and slightly affects visualization. Then visualization models with topology modification become possible (Figure 3); Figure 8 shows some hidden problems associated with grid transitions.

109

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Figure 8. The rectangular grid and indices set in the triangular grid [38]. A 25 cells block is translated to the 24 triangles block. The Neumann neighborhood occupies 4 cells on the square grid and 3 cells – on the triangular grid. To fix the latter it is necessary to consider even and odd rows separately

As it was suggested in one paper, with weakness of graphic system the voxel of the triangular grid would rather have a rectangular form. Along with the description of crystallization on the triangular grid the authors [40] introduce the activity factor of CA on the global turn, i.e. the percentage of cells that have changed their state during a few last iteration. Data Mining processes by analogy, can compute for each of the cells on the basic of the last 10, for example, steps if the cell belongs to 2-, 3- or 4- periodical configuration, either invariably, or it varies chaotically. In this case with using a similar to Figure 2 visualization the smart model is produced. Hexagonal grids should be used for the processes where isotropy is important, for example, in the problems of hydrodynamics and diffusion. O.Bandman and co-authors described [41] the analog of hydrodynamic FHP-models which imitate movement of tungsten comprising particles in the 2D-space densely filled with hexagons. In each cell there are several particles with their velocity vector directed along one of the 6 straight lines towards the centers of the neighbor cells. As the authors stated, ―The simplest way of hexagonal grid mapping on the square one with the axis j extension is accepted here. It consists in the fact that one hexagon is set corresponded with a pair of pixels (i,j) and (i,j+1). These pairs in even and odd lines are shifted to each other. This method of image presentation makes the visualization process in cell array easier, since the back compression allows to put each cell in correspondence with one pixel on the monitor, its coloring power corresponds to the value under consideration‖. And here we see again that the problems of the grids transition are solved with even and odd indices discrimination. Hexagonal CAs can be used more efficiently in art images creation than ordinary CAs. The images in Figure 9 would be useful in the textile design in the ornament embroidery. We used similar totalistic 2D CAs to obtain a test video (via MCA SoftCAM tool) where the growth of snowflakes-like fractal structures (video1.avi) can be observed. Here again, as in the case of Figure 2, we resort to the trick of the arithmetic mean.

110

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Figure 9. Hexagonal CA of totalistic type. The cell is not included in its neighborhood. If the number of live neighbors is 1 or 2, the cell goes into a "life" state, otherwise it dies. The initial state is a living cell in the center of the CA-field. a) - step 25; b) - step 50; c) - step 75; d) - step 100. The scales of drawings are different

The paper [27] shows, however, that a rectangular grid has not lost its importance in research. For example, the automata blockiness will be due to rectangularity of the mesh. The paper [42] considered block-synchronous and asynchronous CAs with neighborhood which can be detected with difficulty and may be dependent on the cell state; CAs simulate surface reaction of palladium oxidation with oxygen and carbon oxide. Difficulty of blocks specifying for the visualization is an interactive drawing of the neighborhood blocks/templates boundaries for the voxel chosen. Further we shall describe the ―isometric view‖ visualization method enriching our vision of 2D CA which is also applicable for 3D CA. Formally it applies to the partial one with 2D-voxel topology modification. If we consider Cartesian coordinate system Oxyz in space, it divides the screen area into three parts: xy-slice with z=0, xz- slice with y=0, yz- slice with x=0. It is possible to project a section of data from space (x,y,t) on each area. For example, on one slice – current global configuration, on the other – last step configuration, and on the third slice – modulo 2 subtraction of two slices, i.e. for the slice cell 0 is set if the cell state has not changed, and 1 – if the cell state has changed (an analog to the activity ratio). Isometric view method can be applied for the case, when the cell state is complex, assume it is described with three components BBB1,, 2 3  , or if we deal with a partitioned CA – then each component is mapped on its slice. We used just that very method to render 2D CA model of ion implantation on the hexagonal mesh. The length of every hexagon edge is 2.54nm (Figure 10), and the time quantum is 10-4c. The case of moderate energy ion pulsed implantation (~ 50 keV) in silicon is simulated. The user simultaneously sees how many ions have already passed and their present distribution in the depth, and which ions continue to move, as well as the trajectories denoting the energy release in atomic collisions. Animation effects in the fields of 30×30 and 80×80 are provided respectively in the video2.avi and video3.avi files. Unlike the traditional methods of ion implantation modeling the usage of cellular automata allows to simulate the evolution of the film structure subjected to

111

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 bombardment as a whole, and to take into account the processes characterized with different time rates. In solving these problems the computer visualization plays an important role.

Figure 10. The fragment of ion implantation animation on the field of hexagons, 30 × 30 (step 56) large. In the XY plane lighter color corresponds to greater number of the excitation energy. In the first 10 steps a few particles are thrown at random on the CA-field

We should underline again that CA’s two-dimensionality does not mean two-dimensionality of visualization. In 2007 a group of students of Warwick university produced a 3D simulator of 2D CA as a diploma work, and with a creative approach it is possible to get aesthetically valuable images [43]. On the website of the Mathematica project (S. Wolfram) there is a 3D–visualization of the GoL [44]: time is marked with the third dimension; smooth gradient of color reinforces transitions in time; voxel cell (and there is a mapping option of balls instead of cubes) is transparent if the cell is dead.

Methods of visualization of three-dimensional CA. 3D CA with locking There are few CA-models, but it is them that are the most significant in physics and in nanoelectronics. Sometimes they come out as a result of generalization of 2D-models as, for example, if the case of Oono-Kohomoto’s CA [4] for diffusion description [45] or the automata for simulation of the famous Belousov-Jabotinski reaction (The Project CA3D [46]). Nevertheless, 3D CA model of heart has been known in medicine for a long time already [47]. Assembly of a nanorobot consisting of 55 thousands 3D CA cells is presented in the paper [48]. Only after development of parallel computing 3D CA will be demanded in research, and now 3D CA is resource-intensive. For nanotechnology a simulation of molecular assemblies both on solid surfaces and in the bulk material is of fundamental importance. CA serves as a natural language of description of such processes. Transition to 65 nm technology with less expenses, as well as development of nano- and microelectromechanical systems (N&MEMS) requires more attention to the processes of anisotropic etching (in the first case, the photoresist, and in the second – the sacrificial layers). 3D CA-models are known in these areas [49-51]. Much more works are devoted to the process of crystallization [52] and, generally, to the phase transitions; this generalization has lots of examples in nanotechnology, and pore formation presents one of them. Let us consider an old but excellent paper illustrating some specific issues that examines [53] melting tin cello, goblet of chocolate and lava from the unit point of view.

112

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

The movement of microvolumes was considered to be the result of force action of microgravity collecting, viscoelastic, and frictional forces. Three mechanisms of heating were considered: conduction, convection and radiation. The state of each of them was determined to be approximately 106 CA-cells with two Boolean and two real-type variables, the value of each of the latter lays in the range [0; 1] and they are responsible for the amount of liquid in a cell and the cell's potential to increase its volume. One of the real-type variables has linear relationship with the intensity of the color. The authors used the graphics accelerator VolumePro and additionally divided the voxel set into bricks/slice to speed up the animation (about 100 ms per move). The same authors studied visualization of chemical gardens, i.e. collection of plant-like structures that had been formed in aqueous solution of sodium silicate with soluble salts of metals [54]. It should be noted that modern DirectX/OpenGL support ―volume texture‖ in the form of RGBA texture arrays as well as CLUT-tables (see Appendix) applied to the original scientific 3D data. This clears the way for MCA integration with high technologies of computer visualization systems. A particular interest is a 3D surface CA, describing complex surfaces in space, for example, when modeling surface grains of polycrystalline materials or surface potentials of tertiary or quaternary protein structures. For simulation of copper corrosion S. Gobron used [55] the Voronoi diagram technique that sets division of the surface in the areas of active centers attraction. The originality of this work is that, on the basis of the Voronoi diagram a large polygonal mesh for rendering purposes was constructed, and then it was partitioned into small squares of the CA was made. The rendering function of the previous CA-computation was implemented this way. This again reminds us that CA-cells can be assigned not only to the space as in most cases (say, in models of lattice gas and hydrodynamics), but also to the substance. In the latter case the state variables can describe not only the three spatial coordinates, and the size/shape of the substance microvolume or a particle. This approach is evident in the concept of moving CAs proposed by S. G. Psakhie et al. The scientists simulated [56] the process of the fragile porous ceramics (ZrO2) crack under mechanical stress. The presence of cracks in the sample means that two adjacent cells are not linked mechanically; non-standard rendering was that the cells themselves did not visualize, but it is gray short line at the junction of mechanically connected cells, and if the cells were separated, the color of this line was black. There is a certain problem in 3D CA visualization: in a densely packed cube the outer layers hide the inner ones. We can headline four ways of solving this problem:  Deleting (or transparence) of unnecessary voxels [57];  Formation of sparseness, intervals between voxels [58];  Use of slices (either as isometric view, or tied to the point [46]), Figure 11;  Use of animated slices [59,60] and cuts (taken from the visualization methods in biology)

113

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Figure 11. Isometric view method realized in MCA SoftCAM. (a): random configurations of GoL (on the wall xz – the state at the moment t–1, on the wall zy – the state at the t, on the floor xy – light voxels are the cells that changed the state on the current step). (b): three slices at a random point (x,y,z) of bit 3D CA

We consider below 3D CA, initially made for testing of MCA SoftCAM. This type of automata with rather simple transition rules has quite an interesting behavior resembling dynamics of crystallization or etching of substance. With more complicated rules it is possible to get more accurate and adequate, and physically richer in content, behavior of CA-model of this class. A similar idea, however, existing implicitly was presented by the authors [61] who considered crystallization of the material with tangled structure (i.e. in the sense of visualization with topology peculiarities). The simulation object was the hardening process of the two-component melt which is in a rectangular crucible (at the beginning the metal was liquid). During simulation of the crystallization process each cell was characterized with state (was free, growing, had hardened), had the scale and a certain feature of the figure that was grown (for example, the growing dendrite orientation or the label allowing to define associated areas). The cell that had just got the hardening state interacted with its neighborhood. When interacting with an active (that has just hardened) cell only not hardened cell were taken into account. We shall consider our 3D CA in abstracto without giving it its physical meaning, and consider it as a representative of a new class of CA with locking. CA field is cubic, its size is 505050. The cell state is given with a group of four  {0,1},r  {0, ,255}, g  {0,  ,255}, b  {0,  ,255} , spending 1 bit and 3 bytes. Neighborhood template is identified due to Moor’s rule, i.e. 26 neighbors and the cell itself. As soon as  1, the cell is ―frozen‖, and during the further computing does not change its state. Otherwise it has the following transition function (i runs all the neighbor cells):

114

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

r( t 1) :  [max ri  max g i  max b i  ]   g( t 1) :  [ g  ( b  r )] ,   b( t 1) :  [min bi  min g i  min r i  ] r( x , y , z )( t 0)  c 1  2 x2  iI26,  2 g( x , y , z )( t 0)  c (1  2 y ) , c  255 (9)  0x , y , z 1  b( x , y , z )( t 0) c sin( z )   r g b  : 1  i : i  i  i  r g b Values without indication of argument are taken at the moment t. The ―square brackets‖ operation means rounding to the nearest integer; if the argument is more than 255 or less than 0, then it return 255 or 0, accordingly. The locking condition is maintained if in the neighborhood of cell there will be at least one cell with the same proportion of colors. The visualization model is 3D- voxel color-dependent and the colors are chosen according to the RGB-scheme (10): R:, r G :,  g B :,  b alpha  (1)/2  (10) Unlocked cells are rendered semi-transparently, and locked ones– fully (Figure 12).

Figure 12. Evolution of 3D-CA with locking.( а) the initial state; (b) stationary state on the 25th step (locked cells are not shown); (c) stationary state on the 25th step; (d) slice view of the state on the 25th step

We shall speak about physics of cell state in terms of color, see (10). The initial state if it is chosen at random gives double-period oscillation in green after several global turns the average number of locked cells in asymptotic is ~ 83% (Figure 13). The CA initial state t=0 for each color is described by curves with one extremum; in (9) the values x,y,z are corresponded with cube edge indexation, and the constant с has technical value (see Appendix) of reduction R,G,B to the byte format. Approximately from the 16th iteration CA comes to two-period state with invariable number of locked cells and invariable, about 4 %, number of unlocked cells. This state, most

115

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3 successfully mapped in Figure 12(b), has circular symmetry in regard to the axis Ox, i.e. along the axis of change of red at the initial configuration, and the configuration in asymptotics looks like sand glass contour or slightly tightened tube, that can be interpreted as crystallization of substance, for example in spinning supersaturated solution or as a particular case of etching causing the pores ordered system.

Figure 13. Example of intelligent consideration of data of 3D CA with locking

What is the idea of CA with locking? Adding the Boolean variable to the cell state of an ordinary CA, we can use it as a transition rule selector, and having specified by turn the transition rule for a Boolean variable, we can get directly in the process of CA-computing a variety of topologies that has, in particular, an application value for 3D-morphing. Difference in Boolean variable modifies the actual cell neighborhood template blocking the influence of the part of cells built into the initially specified template, common for CA cells. The example of 3D CA with locking shows peculiarity of CA in nanoelectronics. The initial automata state contributes more (meaning that if we compare the influence of transition rules and initial configuration on CA evolution, subjectively the second factor can be evaluated as 50 %, while for ordinary ―games‖ CAs the first factor dominates).

Conclusion We made attempts and were the first to structure methods of cellular automata visualization. We considered the problems of visualization from the point of view of MCA, gave the general description of the CA visualization model, proposed the simplest methods of CA audization, focused on application of isometric view for 2D CA visualization, classified methods of solving the problems of 3D CA visualization. General classification (Figure 3) of visualization remains valid for the CA-model in nanotechnology, some particular cases may need details. Specific problems of CA visualization in nanoelectronics are:  CA cell state assignment complexity;  Often, CA neighborhood template specifying complexity;

116

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

 Lack of fast-growing configurations beyond the boundaries of the finite field;  Necessity of intelligent post- and real-time processing of scientific data (moreover САs themselves can serve as one of the Data Mining methods [62]);  Great importance of the initial configuring (even as compared to transition rules construction). The paper does not concern the problems of low-level interaction of the visualizer, and relevance of some other CA visualization methods as regards to the certain research goals. We also didn’t pay attention to the quantum cellular automata (QCA or QDCA) and questions of visualization, such as spintronics. Creative approach to visualization models in the long run will make modeling more efficient, and we hope this article will be useful for that.

Appendix. Colormap specification. CA can generate mathematical structures that contain real numbers. Very often this real number Х needs to have corresponding a triplet of real numbers (R,G,B), each within 0 to 1, giving the color decomposition in ―red-green-blue‖. This correspondence is called a colormap. Sometimes there is an interim step, and Х is normalized with its maximum value getting the indexed color value С in the range [0;1] in the format of 4-byte number with a floating point. In its turn, the RGB- color is coded with three bytes, i.e. the parameter, let’s assume R, varies discretely within limits from 0 to 255. It is rather difficult to fit an analytical function f: C R  G  B , that provides the desired properties. In practice to specify a colormap so called lookup tables are used. As for the desired properties our choice is as follow: а) the minimum value of Х corresponds black and the maximum – white, i.e. ff(0) (0,0,0), (1) (1,1,1) ; b) pure rainbow colors, i.e. combinations like (0,0,1), (1,0,1), must be present in the table in natural order; c) the table should be one-to-one. These requirements simplify understanding of the visualized data, for example, meaning that blue is more than red. These requirements are roughly met by the transition sequence in RGB 000→100→110→010→011→001→101→111 along the variable С in the direction from 0 to 1. This sequence which we call a colormap А (see the Figure 14), may serve as an example of Gray’s code modulo 3.

Figure 14. Colormap А: The scheme of RGB-channels changing in indexed color and rendering of the last

Another colormap В is based on simplicity of computing: the first byte of mantissa С gives R, the second – G, the third – B, and the fourth byte can be responsible for voxel transparence (alpha- channel). However, among the desired properties the second is broken because there is no natural color order.

References: 1. Toffoli Tommaso. Cellular Automata Mechanics. The Univ. of Michigan: Report. 208, Comp. Comm. Sci. Dept., 1977. 2. Pinto NN, Antunes AP. Cellular automata and urban studies: a literature survey. Architecture, City and Environment 2007; 1: 368-399. Link

117

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

3. Ilachinski A. Cellular Automata: A Discrete Universe. Singapure: World Scientific Publishing Co. Pte., 2002, p. 728. 4. Adamatzky A. Game of Life Cellular Automata. London: Springer, 2010, p.579. 5. Aladjev VZ. Classical Cellular Automata. Homogeneous Structures. Palo Alto: Fultus Corporation, 2010, p.478. 6. Talia D, Naumov L. Parallel Cellular Programming for Emergent Computation. In: Peter MA (eds) Simulating Complex Systems by Cellular Automata. Springer, 2010, pp. 357-384. 7. Hiebeler D. A brief review of CA packages. Physica D 1990: 45, 463-476. 8. Matyushkin IV, Khamukhin AV. UML usage in the design of cellular automata machines. Izvestiya VUZov. Elektronika, 2010: 86(6), 39-48. (in Russian) Link 9. Bandman OL. Using cellular automata for porous media simulation. J. of Supercomputing, 2011: 57(2), 121-131. 10. Wiebe EN. Scientific Visualization: A New Course Concept for Engineering Graphics. Engineering Design Graphics Journal, 1992: 56(1), 39-44. Link 11. Hopkins D. Fun with Cellular Automata, http://www.art.net/~hopkins/ Don/art/ cell.html (2012, accessed 2 april 2012) 12. Project «Automatous-monk», http://automatous-monk.com/ (2012, accessed 2 april 2012) 13. Project «CAPOW». http://www.cs.sjsu.edu/faculty/rucker/capow/examples.html (2012, accessed 2 april 2012) 14. Rucker R. Continuous-Valued Cellular Automata in Two Dimensions. In: Griffeath D (eds) New Constructions in Cellular Automata». Oxford University Press, 2003, p.342. 15. Kalgin K. Implementation of algorithms with a fine-grained parallelism on GPUs. Numerical Analysis and Applications, 2010: 4, 46-55. Link. 16. Kim E, Shen T, Huang X. A Parallel Cellular Automata with Label Priors for Interactive Brain Tumor Segmentation. In: The 23rd IEEE International Symposium on Computer-Based Medical Systems (ed S Antani), Perth, Australia, 12-15 October 2010, pp. 232-237. Link 17. Folino G, Mendicino G, Senatore A, et al. A model based on cellular automata for the parallel simulation of 3D unsaturated flow. Parallel Computing 2006: 32, 357-376. Link 18. Galaktionov V. Computer Graphics Techniques in CAD Applications. In: 12th Central European Seminar on Computer Graphics (CESCG), Budmerice Castle, Slovakia, 24-26 April 2008, pp. 24-26. 19. Simulator Golly Нomepage. - http://golly.sourceforge.net/ 20. Veenhuis C, Köppen M. Document Oriented Modelling of Cellular Automata. In: 2nd International Conference on Hybrid Intelligent Systems (HIS02), Santiago, Chile, 1 – 4 December 2002. Link. 21. Weimar JR. Translations of Cellular Automata for Efficient Simulation. Complex Systems, 2003: 14, 175–199. Link. 22. Vanag VK. Study of spatially extended dynamical systems using probabilistic cellular automata. Physics-Uspekhi, 1999: 42, 413–434. (in Russian) Link. 23. A periodic table of visualization methods. http://www.visual-literacy.org (2012 , accessed 2 april 2012) Link 24. Bowman WJ. Graphic Communication, New York: Wiley & Sons Inc, 1968, p. 222. 25. Kaurov V. Wolfram Demonstrations Project: Coupled Cellular Automata: Symbiotic Patterns and Synchronization. http://demonstrations.wolfram.com (2012, accessed 2 april 2012) Link 26. Séquin CH, Hamlin JF. The Regular 4-Dimensional 57-Cell. In: The 34th International Conference on Computer Graphics and Interactive Techniques (SIGGRAPH), San Diego, California, USA, 5-9 August 2007, Link. 27. Medvedev Yu. The wall cells in the cellular automaton fluid flow simulation. Bulletin of the Novosibirsk Computing Center. Series: Computer Science, 2003: 19, 51-59. (in Russian) 28. Rucker R, Walker J. CelLab: User Guide: Rug and ASCII. http://www.fourmilab.ch/ (2012, accessed 2 april 2012) Link 29. Zoubko I, Keller I, Trusov P. Nonlocal model of dislocation pattern formation in crystal in terms of cellular automata. Phys. Mesomech, 1999: 2, 17-25. (in Russian) 30. Site of Stewart Dickson on portal http://emsh.calarts.edu/. (2012, accessed 2 april 2012) Link 118

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

31. Sudhanshu KS, Chandrashekhar K. Cellular Automata for 3D Morphing of Volume Data. In: The 13th International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision, Plzen, Czech Republic, 31 January – 4 February, 2005, p. 195-202. 32. Wolfram Stephen. A New Kind of Science. Wolfram Media, 2002, p. 1197. 33. Zenkin AA. Waring's problem from the standpoint of the cognitive interactive computer graphics. Mathematical and Computer Modelling, 1990: 13, 9-25. 34. Cellular automata music on Novation Launchpad (movie). http://video.ariom.ru/v/rWq4AppMm8A.html (2012, accessed 2 april 2012) 35. Miranda ER. Evolving Cellular Automata Music: From Sound Synthesis to Composition. In: European Conference on Artificial Life ECAL, Prague, Czech Republic, September 2001. Link 36. Burraston D, Edmonds E, Livingstone D, et al. Cellular Automata in MIDI based Computer Music. In: International Computer Music Conference, Miami, USA, 2004, Link 37. CAMUS: Cellular Automata music generator. http://tamw.atari-users.net/camus.htm (2012, accessed 2 april 2012) 38. Otomata: Cellular Automata Music Generator. http://www.earslap.com/projectslab /otomata (2012, accessed 2 april 2012) 39. Audization CA Brian’s brain. http://jmge.net/brain.htm (2012, accessed 2 april 2012) 40. Afanasyev IV. Research of evolution of cellular automata modeling «phase separation» process on triangular mesh. Prikl. Diskr. Mat, 2010: 4, 79–90. (in Russian) Link. 41. Bandman OL, Kinelovsky SA. Cumulative synthesis: a cellular-automata model of physical-chemical processes on the stage of powder revetment collapsing. Prikl. Diskr. Mat., 2011: 2, 113–124. (in Russian) Link. See also: Bandman OL. A cellular automata convection-diffusion model of flows through porous media. Optoelectronics, Instrumentation and Data Processing 2007: 43(6), 524-529. 42. Markova VP, Sharifulina AE. Parallel implementation of asynchronous cellular automata for modeling CO oxidation over palladium surface. Prikl. Diskr. Mat., 2011: 1, 116–126 (in Russian). Link. 43. Project ―Cellulate‖. http://cellulate.sourceforge.net/ (2012, accessed 2 april 2012) 44. Demonstration of CA. http://demonstrations.wolfram.com/GameOfLifeIn3DLayers/; http://webmath.exponenta.ru/ad/aj/dem/020401.html (2012, accessed 2 april 2012) 45. Weimar JR. Three-dimensional Cellular Automata for Reaction-Diffusion Systems. Fundamenta Informaticae, 2002: 52, 277-284. Link. 46. Project CA3D. http://www.ctechnet.com/ca3d/Gallary.html#6 (2012, accessed 2 april 2012) 47. Siregar P, Sinteff JP, Julen N, Le Beux P. An Interactive 3D Anisotropic Cellular Automata Model of the Heart. Computers and Biomedical Research, 1998: 31, 323-347. 48. Huw D, McWilliam R, Purvis A. Design of Self-Assembling, Self-Repairing 3D Irregular Cellular Automata. In: Salcido A (ed) Cellular Automata - Innovative Modelling for Science and Engineering, InTech, 2011, p.436. Link. 49. Zai-Fa Zhou, Qing-An Huang, Wei-Huan Li, et al. 3D photoresist etching simulation using cellular automata. In: Conference of the International society for optics and photonics (SPIE), Florida, USA, 2006, 6034, 60340Q. 50. Zai-fa Zhou, Qing-an Huang, Wei-hua Li, et al. A cellular automaton-based simulator for silicon anisotropic etching processes considering high index planes, J. Micromech. Microeng. 2007: 17, S38. 51. Gosálvez MA, Xing Y, Sato K, Nieminen RM. Discrete and continuous cellular automata for the simulation of propagating surfaces. Sensors and Actuators A, 2009: 155, 98-112. 52. Svyetlichnyy DS, Matachowski JL. Three‐Dimensional Cellular Automata For Simulation Of Microstructure Evolution During Recrystallization. In: Cesar De Sa (ed) The 9th International Conference on Numerical Methods in Industrial Forming Processes (NUMIFORM), Porto, 17- 20 June 2007 (American Institute of Physics, Conf. Proc., vol. 908, pp. 1357-1362). 53. Xiaoming Wei, Wei Li and Kaufman A. Melting and Flowing of Viscous Volumes. In: the 16th International Conference on Computer Animation and Social Agents (CASA’2003) New Jersey, USA, 7-9 May 2003, pp. 54-59. Link

119

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

54. Xiaoming Wei, Feng Qiu, Wei Li, et al. Visual simulation of chemical gardens. In: Conference of Computer Graphics International (CGI), New York, USA, 22-24 June 2005, pp. 74- 81. Link 55. Gobron S. and Chiba N. 3D Surface Cellular Automata and Their Applications. J. of Visualization and Computer Animation, 1999: 10, 143–158. 56. Smolin AY, Roman NV, Loginova DS, et al. Influence of Porosity Percolation on Mechanical Properties of Ceramic Materials. 3D Simulation using Movable Cellular Automata. In: DRJ Owen (ed) 2th Int. Conf. on Particle-Based Methods (Particles’2011), Berlin, Germany, 9- 12 July 2011, pp. 249-255, Link 57. Movie. http://www.youtube.com/watch?v=CYgbnI_R1E0 (2012, accessed 2 april 2012) 58. Graw F, Regoes RR. Investigating CTL Mediated Killing with a 3D Cellular Automaton. PLoS Comput. Biol. 2009: 5(8), e000466. Link 59. Project ―Cellulate‖. http://cellulate.sourceforge.net/ (2012, accessed 2 april 2012) 60. Matyushkin IV, Korobov SV. Сellular automata data visualization for the issue of nc-Si growth within the SiOx matrix. Izvestiya VUZov. Elektronika 2011: 92, 39-48. (in Russian) 61. Belankov AB, Stolbov VYu. Application of cellular automata to modeling the microstructure of a material under crystallization. Sib. Zh. Ind. Mat. 2005: 8, p. 12–19. (in Russian) 62. Fawcett T. Data mining with cellular automata. SIGKDD Explorations 2008: 10, 32-39. Link

УДК 004;519;621

Особенности визуализации клеточных автоматов в области наноэлектроники

1 Геннадий Яковлевич Красников 2 Игорь Валерьевич Матюшкин 3 Сергей Владимирович Коробов

ОАО «НИИ молекулярной электроники», Российская Федерация 124460, г. Москва, Зеленоград, 1-й Западный проезд, д. 12/1 1 Генеральный директор ОАО «НИИМЭ и Микрон», академик РАН 2 Начальник лаборатории отдела функциональной электроники, к.ф.-м.н. E-mail: [email protected] 3 Младший научный сотрудник, аспирант

Аннотация. Представлена формализация моделей визуализации клеточных автоматов (КА), рассмотрена их классификация. Также описаны возможные подходы к генерации звукорядов. Приведены частные случаи вариантов визуализации для КА различной размерности. На примере простого 3D КА указаны особенности визуализации наноразмерных систем. Ключевые слова: клеточные автоматы; визуализация; нанотехнология; моделирование; мультимедиа.

120

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 121-125, 2014

DOI: 10.13187/mai.2014.3.121 www.ejournal11.com

UDC 316.32

Virtual Reality: Peculiarities and Opportunities

Tamara L. Salova

Sochi State University, Russian Federation PhD (in technical science), Associate Professor 26-A, Sovietskaya str., Sochi, 354000 E-mail: [email protected]

Abstract The article features a phenomenon of virtual reality, peculiarities, technologies; virtual world tools as well as new possibilities of the Internet are considered. The author comes up with the idea, that there are a lot of negative consequences in virtual environments. But it is enough to recall, that human beings bear responsibility for their actions, and make decisions in regard to the use of virtual services and real life. Huge opportunities of the Internet should serve the mankind. Such opportunities include: collective creativity, webinars, virtual scientific research, psychological study with further correction, quit and user-friendly access to informational recourses, freelance, on-line conferences and forums. And to top it off – new trends for shifting jobs from office to home, flexible working hours, temporary business alliances, dynamically changing working groups. Allthis makes virtual reality not just an opportunity, but something vital. Keywords: virtual reality; cyberspace; social Internet services; phenomenon of virtual reality; virtual culture.

Введение Виртуальная реальность – это иллюзорный мир, который наблюдает, в который погружается и с которым взаимодействует человек. Неразрывная связь понятий «киберпространство» и «виртуальная реальность» очевидна. Введенные в научный оборот около тридцати лет назад примерно в одно и то же время, они буквально определяют одно посредством другого. Термин «киберпространство» ввел в употребление Уильям Гибсон в 1985 году в романе «Нейромант» для обозначения глобальной многопользовательской виртуальной среды. Появление первых определений термина «виртуальная реальность» относится примерно к 1989 году. Предложенный термин «виртуальная реальность» отражал искусственный трехмерный мир – киберпространство, созданное с помощью компьютера и воспринимаемое человеком посредством специальных устройств [1]. В зависимости от характера взаимодействия человека с виртуальной средой, выделяют три еѐ вида: пассивную, исследовательскую и активную [1]. При работе с пассивной виртуальной реальностью пользователь выступает в роли стороннего наблюдателя. Исследовательская виртуальная среда позволяет перемещаться внутри неѐ. Активная среда даѐт возможность взаимодействовать с ней, внося коррективы в еѐ работу.

121

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Результаты Технологической базой для создания виртуальных миров являются системы мультимедиа, воссоздающие в едином программно-аппаратном комплексе различные физические среды. К инструментам виртуальной реальности можно отнести программно-технические средства, реализующие: 1) моделирование в реальном масштабе времени; 2) интерактивность, т.е. воздействие по принципу обратной связи; 3) имитацию окружающей обстановки с высокой степенью реализма. Технологии виртуальной реальности это: - высококачественная оптика; - стереозвук; - графические образы, синтезированные компьютером; - всевозможные датчики и манипуляторы, обеспечивающие тактильный контакт. Основной инструмент проникновения в виртуальную реальность – это мозг и его сенсорные рецепторы. Натуральность виртуальной реальности для сознания человека тем более реалистична, чем более внушительно ее компоненты воздействуют на его сознание, нервную систему. К компонентам виртуальной реальности можно отнести: визуальную, аудиальную, тактильную информацию, а также ощущение равновесия и ориентацию. В создаваемой системе виртуальной реальности необходимо не только генерировать и воспроизводить дискретные события, но и детально планировать их взаимодействие в различных вариантах сценариев их воспроизведения. В частности, в кино дискретные события единственного сценария выстроены последовательно и подчинены сюжету. В компьютерных играх используются многосюжетные линии, ограниченные однако определѐнным набором допустимых действий, не разрушающих логику событий. «Идеальной» интерактивной системой виртуальной реальности можно считать ту, у которой нет ограничений на число возможных сюжетных линий, генерируемых самой системой в ответ на произвольные действия «погружаемого» пользователя. Само «погружение» осуществляется на базе панорамной технологии и интерактивного взаимодействия с населяющими виртуальную реальность объектами – Аватарами. Эти фантомы живут в виртуальном мире, выполняют различные действия, общаются с себеподобными, строят свой собственный мир. При этом реальный человек, физически находясь вне виртуального мира, одновременно находится и внутри виртуального мира, являясь одним из его объектов. Программно-технический комплекс виртуальной реальности должен иметь две главные компоненты: подсистему восприятия и подсистему набора дискретных моделей мира, соответствующих конкретным моделям поведения. Аппаратные средства систем виртуальной реальности опираются на достижения в области технологий ощущений. Это, прежде всего, воздействие на органы чувств и определение положения тела. Именно они обеспечивают так называемый эффект присутствия и отвечают за целостное восприятие мира. К современным аппаратным средствам относятся: 1. VirtuSphere – это интерфейсное устройство для исследований и разработок в области виртуальных сред, позволяющее пользователю с помощью беспроводного шлем-дисплея естественным образом перемещаться и ориентироваться в генерируемой компьютером виртуальной среде. Устройство «Виртусфера» представляет собой большую полую сферу, которая вращается вокруг своей оси в любом направлении на 360 градусов. Пользователь внутри «Виртусферы» может по-настоящему ходить, ползать, прыгать и бегать в любом направлении и на любые расстояния. VirtuSphere можно использовать в разных целях: для физических упражнений, видеоигр, военной подготовки и виртуальных туров по музеям. 2. Virtuix Omni – это периферийное оборудование в виде всенаправленной беговой дорожки для взаимодействия с виртуальной реальностью в играх. Для имитации движения, используется скользкая платформа и специальная обувь, уменьшающая трение. Всенаправленная беговая дорожка работает как игровой контроллер, позволяя игроку естественными движениями прыгать, приседать, двигаться боком, бегать по игровому ландшафту. Помимо активного применения в играх Omni можно использовать для

122

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

пробежек и прогулок: например, Лаборатория реактивного движения НАСА использовала Virtuix Omni для прогулок по Марсу. 3. Oculus Rift – это шлем виртуальной реальности с широким полем зрения, низкой задержкой и умеренной ценой. В отличие от других 3D технологий, в Oculus Rift не используются затворы или поляризаторы. Изображения для каждого глаза выводятся на один дисплей и затем корректируются при помощи линз. К наиболее популярному программному обеспечению можно отнести следующие системы: 1. Second Life – это трѐхмерный виртуальный мир с элементами социальной сети. Second Life – виртуальное пространство с определѐнными свойствами. Здесь нет необходимости зарабатывать очки, нет присущих обычным играм заданных сюжетом заданий. Владельцы аккаунтов получают возможность выбрать способ виртуального существования - участие в сообществах по интересам, создание виртуальных товаров, строительство, создание виртуальных предметов искусства, общение в чате или голосом, путешествия по многочисленным примечательным местам виртуального мира. 2. Active Worlds является трѐхмерной виртуальной реальностью. Пользователи назначают себе уникальное имя, регистрируются во вселенную Active Worlds, и исследуют трехмерные виртуальные миры и окружающую среду, которую построили другие пользователи Active Worlds. Пользователи могут общаться друг с другом или создавать собственную постройку и часть территории из моделей. Active Worlds позволяет пользователям иметь собственные миры и вселенные, развивать трехмерное содержание, объединяться и вместе исследовать трѐхмерные виртуальные миры. 3. OpenSimulator (или OpenSim) — открытая платформа для создания многопользовательских 3-х мерных виртуальных миров. Сервер OpenSim обслуживает один или несколько участков виртуальной земли и может быть запущен как отдельно, так и в составе сети серверов. Подключенные к серверу пользователи представлены в виде своих 3-х мерных виртуальных образов – Аватар. Аватары могут передвигаться по виртуальной земле пешком, по воздуху и по воде самостоятельно или с помощью средств передвижения (автомобили, самолѐты, корабли и пр.). Пользователи OpenSim могут создавать различные 3-х мерные объекты. Например: кубы, шары, пирамиды и др. Возможные сферы применения OpenSim:  3-х мерный чат;  виртуальные представительства организаций (офисы, образовательные учреждения и др.);  3-х мерное моделирование;  моделирование физических процессов;  ландшафтный дизайн; В основе виртуальной реальности лежит множество социальных сервисов Internet [5]. Это, прежде всего, социальные сети, блоги, вики, медиа-хранилища, живые журналы, рекомендательные сервисы, географические сервисы и другие. Ряд функций социальных серверов могут служить основой виртуального мира, например, коммуникативная, служащая для организации общения внутри групп людей со схожими интересами, интерактивная – отвечающая за взаимодействие членов сообществ в режиме реального времени, функция самопрезентации и рефлексии – предоставляющая возможность публикации и обсуждения авторских работ, создания собственного имиджа, идеального образа или виртуального «другого Я». Автор книги «Философия виртуальной реальности» Е.Е. Таратута исследует - почему именно Интернет вызывает такой большой интерес к самой проблематике виртуального: «Конструирование виртуальной реальности при помощи Интернета обладает таким огромным обаянием не потому, что оно позволяет убежать от реальности, а потому, что позволяет изменить ее, откорректировать, совершить над ней некоторое магическое невозможное в регулярной реальности действие, – и это действие приобретает при этом некоторые достаточные черты регулярной реальности» [4, с. 124]. Чем привлекателен виртуальный мир? Прежде всего, возможностью самореализации. Если в реальной жизни человек закомплексован, застенчив, обладает низкой самооценкой, 123

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

испытывает трудности в общении - то в виртуальной реальности он может примерить роль героя, наделить себя необыкновенными качествами, совершить смелые поступки, изменить свой возраст и даже пол, легко пообщаться с любым человеком, раскрыв свой внутренний мир без страха оказаться смешным или непонятым. Фактически прожить невероятную по насыщенности событиями жизнь. Виртуальная реальность – это средство и среда существования вне общества, если общество понимать как систему институтов. Мало того, Internet, на базе которого формируется виртуальная реальность, можно рассматривать как среду развития сообществ, альтернативных реальному обществу. «Информационные системы позволяют реализовать потребности в общении и формировании новых общностей. Не менее важная роль информационных систем в этом контексте – создание новых виртуальных реальностей, позволяющих человеку реализовать свои идеалы, мечты, фантазии» [2, 6-10]. Феномен виртуальной реальности влечет за собой появление новой виртуальной культуры, в которой формируется другая логика мышления: нелинейная, непоследовательная, недетерминистская. Культура носит мозаичный характер с признаками отсутствия структурирования и ценностного отбора социального опыта [3]. С одной стороны, виртуальная реальность дает свободу идентификации: виртуальное имя, виртуальное тело, виртуальный статус, виртуальная психика, виртуальные достоинства и виртуальные пороки. С другой стороны, происходит отчуждение реального тела, реального статуса, трансформация личности как социокультурного и исторического феномена. Общение через Internet как раз и привлекательно обезличенностью. А это уже опасно для построения здорового общества.

Заключение Негативных последствий постоянного нахождения в виртуальной среде – много. Но, достаточно вспомнить, что человек сам несет ответственность за свои поступки, сам решает, как распоряжаться виртуальными сервисами и реальной жизнью. Колоссальные возможности Internet должны «работать» на человека – это и возможность коллективной творческой деятельности, и обучение на вебинарах, и проведение виртуальных научных исследований, и изучение (с последующей коррекцией) той же психики, а также удобный и быстрый доступ к информации, фриланс, on-line конференции и форумы. Плюс тенденция перемещения работы из офиса в дом, свободный график работы, временные бизнес- альянсы, динамически-изменяемые трудовые коллективы – все это делает виртуальную реальность не просто возможной или желаемой, но и жизненно необходимой.

Примечания: 1. Кондратьев И. Технология виртуальная, результат реальный. // Computerworld, №35, 1997. 2. Розин В.М. Виртуальная реальность как форма современного дискурса. // Виртуальная реальность: Философские и психологические аспекты. М., 2002. 3. Салов Ю.И., Салова Т.Л. Иллюзорный человек. Монография. Сочи: РИЦ ФГБОУ ВПО «СГУ», 2014. 4. Таратута Е.Е. Философия виртуальной реальности. СПб., СПГУ. 2007. 5. Salova T.L. Social network services Internet: structure and functions. // European Researcher, №5-1(7), 2011, pp. 638-640. 6. Баксанский О.Е. Виртуальная реальность и виртуализация реальности // Концепция научных миров и научное познание. СПб. : РХГИ, 2000. С. 292. 7. Лешкевич Т.Г. Философия: курс лекций: учеб. пособие. М.: ИНФРА-М, 2000. С. 169. 8. Хорни К. Женская психология. СПб.: Восточно-европейский институт психоанализа, 1993. С. 51. 9. Круткин В.Л. Онтология человеческой телесности. Ижевск: Изд-во Удмурт. ун-та, 1993. 10. Конституция Российской Федерации с комментариями Конституционного суда РФ. 4-е изд. М.: ИНФРА-М, 2008. С. 9. 124

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

References: 1. Kondrat'ev I. Tekhnologiya virtual'naya, rezul'tat real'nyi. // Computerworld, №35, 1997. 2. Rozin V.M. Virtual'naya real'nost' kak forma sovremennogo diskursa. // Virtual'naya real'nost': Filosofskie i psikhologicheskie aspekty. M., 2002. 3. Salov Yu.I., Salova T.L. Illyuzornyi chelovek. Monografiya. Sochi: RITs FGBOU VPO «SGU», 2014. 4. Taratuta E.E. Filosofiya virtual'noi real'nosti. SPb., SPGU. 2007. 5. Salova T.L. Social network services Internet: structure and functions. // European Researcher, №5-1(7), 2011, pp. 638-640. 6. Baksanskii O.E. Virtual'naya real'nost' i virtualizatsiya real'nosti // Kontseptsiya nauchnykh mirov i nauchnoe poznanie. SPb. : RKhGI, 2000. S. 292. 7. Leshkevich T.G. Filosofiya: kurs lektsii: ucheb. posobie. M.: INFRA-M, 2000. S. 169. 8. Khorni K. Zhenskaya psikhologiya. SPb.: Vostochno-evropeiskii institut psikhoanaliza, 1993. S. 51. 9. Krutkin V.L. Ontologiya chelovecheskoi telesnosti. Izhevsk: Izd-vo Udmurt. un-ta, 1993. 10. Konstitutsiya Rossiiskoi Federatsii s kommentariyami Konstitutsionnogo suda RF. 4-e izd. M.: INFRA-M, 2008. S. 9.

УДК 316.32

Виртуальная реальность: особенности и возможности

Тамара Львовна Салова

Сочинский государственный университет, Российская Федерация кандидат технических наук, доцент 354000, г. Сочи, ул. Советская, 26а Е-mail: [email protected]

Аннотация. В статье исследуется феномен виртуальной реальности, рассматриваются особенности, технологии и инструменты создания виртуальных миров, а также новые возможности Интернет. Автор приходит к выводу, что негативных последствий постоянного нахождения в виртуальной среде – много. Но, достаточно вспомнить, что человек сам несет ответственность за свои поступки, сам решает, как распоряжаться виртуальными сервисами и реальной жизнью. Колоссальные возможности Internet должны «работать» на человека – это и возможность коллективной творческой деятельности, и обучение на вебинарах, и проведение виртуальных научных исследований, и изучение (с последующей коррекцией) той же психики, а также удобный и быстрый доступ к информации, фриланс, on-line конференции и форумы. Плюс тенденция перемещения работы из офиса в дом, свободный график работы, временные бизнес-альянсы, динамически-изменяемые трудовые коллективы – все это делает виртуальную реальность не просто возможной или желаемой, но и жизненно необходимой. Ключевые слова: виртуальная реальность; киберпространство; социальные сервисы Интернет; феномен виртуальной реальности; виртуальная культура.

125

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 126-132, 2014

DOI: 10.13187/mai.2014.3.126 www.ejournal11.com

UDC 316

Composite Principal-Dual Simplex Method for Linear Programming Solving

Victor I. Samarin

Sochi State University, Russian Federation PhD (Physics and Mathematics), Associate Professor 354000, Sochi, Sovetskaya str., 26a E-mail: [email protected]

Abstract The composite principal-dual simplex method for linear programming solving is proposed. This method in aggregate with principal (primal) and dual methods permits solving any such problem without resort to the artificial unknowns. Problem mathematical model form requirements and conditions to solve the problem by the composite principal-dual simplex method are considered. The algorithm of the composite principal-dual simplex method is represented. The example of corresponding problem solving by the consistent iterations in the simplex tableaus is illustrated. Keywords: canonical form; additional slack and surplus unknowns; preferred unknowns; artificial unknowns; basic unknowns; basis; unitary matrix; problem solving algorithm; simplex tableau; impermissible right hand side; transportation model.

Введение Линейное программирование является первоосновой математического программирования, исследования операций, ряда методов теории принятия решений, теории оптимизации функций и функционалов. Методы линейного программирования находят самое широкое применение в различных научных теоретических и прикладных задачах практической деятельности. В частности, линейное программирование позволило проводить детальный экономический анализ линейной задачи производства продукции возможного ассортимента при определенных ограничениях на объемы используемых ресурсов [2, 9]. Каноническая форма математической модели задачи линейного программирования (ЗЛП) предполагает неотрицательность управляемых переменных, представления системы ограничений в виде уравнений и минимизацию целевой функции. При решении ЗЛП основным симплекс-методом правая часть уравнений (свободные члены уравнений) в системе ограничений должна быть допустимой (неотрицательной), а сами уравнения должны содержать предпочтительные неизвестные, т.е. в левой части каждого уравнения системы ограничений имеется неизвестная с коэффициентом +1, отсутствующая во всех других уравнениях системы ограничений и в целевой функции. Для составления такой формы системы ограничений используются балансные и искусственные неизвестные. Для решения задачи с искусственными неизвестными используют, как правило, или

126

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

двухэтапный метод, предполагающий составление и первоочередной минимизации дополнительной целевой функции, или М-метод [2]. Постановка и решение задачи. Алгебраическими преобразованиями и введением балансных неизвестных любая исходная математическая модель задачи линейного программирования может быть записана в канонической форме с предпочтительными неизвестными (без искусственных) и минимизацией целевой функции [1-2]:

 а х  а х  ... а х  x  b ;  11 1 12 2 1п п n1 1  ...... хj  0; j 1,n m; ат1х1  ат2 х2  .... атп хп  xnm  bm ;

F(x) = с1х1 + с2х2 + … + спхп + F0  min.

Однако при этом правая часть уравнений системы ограничений может оказаться недопустимой, т.е. среди свободных членов уравнений могут оказаться отрицательные величины. Число уравнений в этой системе, в общем случае, может оказаться больше числа ограничений в исходной модели, если в исходной системе имеются уравнения, каждое из которых в ходе преобразований следует разбить на два нестрогих неравенства с противоположными знаками. Число неизвестных в этой системе, как правило, больше, чем в исходной системе ограничений как за счет введения балансных неизвестных, так и в результате представления каждого неопределенного по знаку неизвестного в форме разности двух неотрицательных неизвестных. Такая задача может быть решена или основным, или двойственным, или смешанным симплекс-методом; если в модели используются искусственные неизвестные, то задача всегда может быть решена основным симплекс-методом. В приведенной модели коэффициенты при предпочтительных (базисных) неизвестных в уравнениях системы ограничений образуют единичную матрицу, что позволяет использовать модифицированный симплекс-метод решения ЗЛП [1]. Условия использования основного, двойственного и смешанного симплекс-методов для математической модели ЗЛП в канонической форме с предпочтительными неизвестными (в отсутствие искусственных), при ориентированной на минимум целевой n функции F(x)  c j x j  F0  min, сведены в следующую таблицу: j 1 №№ Комбинации знаков b и с Метод решения ЗЛП п/п i j

1. Все bi  0, среди сj есть отрицательные Основной симплекс-метод

2. Все сj  0, среди bi есть отрицательные Двойственный симплекс-метод 3. И среди bi, и среди сj есть отрицательные Смешанный симплекс-метод Критерий оптимальности решения 4. Все b  0 и все с  0 i j ЗЛП

Решение задачи линейного программирования симплекс-методом (методом последовательного улучшения плана) разработал Дж. Данциг [3, 4]. Решение ЗЛП двойственным методом предложено Дж. Лемке [7]. Если в основном симплекс-методе приближение к оптимальному плану осуществляется по угловым точкам только допустимой области решений, т.е. для неотрицательных базисных решений, то в двойственном – по угловым точкам недопустимой области решений, причем, как только очередная угловая точка окажется в допустимой области, то она и будет оптимальным планом. Известны способы решения общей модели задачи линейного программирования, основанные на комбинированном использовании основного и двойственного симплексных методов согласно алгоритмам смешанного (составного) симплекс-метода, предложенных в работах Дж. Данцига [5] и У. Орчарда-Хейса [10], и альтернативному алгоритму

127

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Дж. Данцига, Л. Форда и Д. Фалкерсона [6], который использован в качестве ускоренного метода решения транспортной задачи (ТЗ), как наиболее эффективного для расчетных таблиц ТЗ значительных размеров и при использовании компьютерной техники. Однако смешанный симплекс-метод решения ЗЛП можно свести к последовательному использованию основного и двойственного симплекс-методов в одной симплекс-таблице.

Алгоритм смешанного симплекс-метода решения ЗЛП: 1. Убедиться, что исходная математическая модель ЗЛП записана в предпочтительном виде канонической формы без использования искусственных неизвестных, но и среди коэффициентов сj при неизвестных в целевой функции и среди свободных членов bi в правой части системы ограничений имеются отрицательные. 2. Заполнить 0-ю итерацию симплекс-таблицы согласно исходной математической модели, взяв в качестве базисных неизвестных предпочтительные. 3. Начать определение разрешающих столбца и строки по алгоритму основного симплекс-метода, при этом уравнения системы ограничений с отрицательными bi не рассматриваются при определении разрешающей строки, т.е. на этом этапе предпочтительные неизвестные в уравнениях с недопустимой правой частью не могут быть выведены из базиса. 4. Решать задачу основным симплекс-методом с учетом указанных в п.3 условий до исчезновения отрицательных коэффициентов при неизвестных в строке целевой функции, если при этом среди свободных членов правой части останутся отрицательные, то продолжить решение задачи двойственным симплекс-методом.

Пример. Решить ЗЛП, не используя искусственных неизвестных: x  2x  2х  14; x  0;  1 2 3 1 x1  x2  6; x2  0;  2x2  3х3  9; х3  0;

F = – 2x1 + х2 + 3х3 – 4 → max.

1. Используя преобразования, приводящие к эквивалентным соотношениям, и балансные неотрицательные неизвестные х4, х5, х6, записываем математическую модель заданной ЗЛП в предпочтительном виде канонической формы:

х1  2х2  2х3  х4  14;   х1  х2  х5  6; j 1, 7  2х  3х  х  9; xj  0, ;  2 3 6   2х2  3х3  х7  9;

F = 2x1 – х2 – 3х3 + 4 → min.

Решаем задачу смешанным симплекс-методом. 2. Балансные неизвестные х4, х5, х6, х7 являются предпочтительными, поэтому выбираем их в качестве первой комбинации базисных неизвестных. 3. Заполняем исходную симплекс-таблицу (т.е. выполняем 0-ю итерацию). 4. Выполняем все итерации смешанного симплекс-метода:

№ базис х1 х2 х3 х4 х5 х6 х7 b 0 х4 1 2 2 1 0 0 0 14 х5 – 1 1 0 0 1 0 0 – 6

х6* 0 2 3 0 0 1 0 9

х7 0 – 2 – 3 0 0 0 1 – 9 F 2 – 1 – 3* 0 0 0 0 4

128

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

1 х4 1 2/3 0 1 0 – 2/3 0 8

х5* – 1 1 0 0 1 0 0 – 6

х3 0 2/3 1 0 0 1/3 0 3  х7 0 0 0 0 0 1 1 0 F 2* 1 0 0 0 1 0 – 5 2 х4 0 5/3 0 1 1 – 2/3 0 2 х1 1 – 1 0 0 – 1 0 0 6  х3 0 2/3 1 0 0 1/3 0 3 х7 0 0 0 0 0 1 1 0 F 0 3 0 0 2 1 0 7

5. Согласно 2-й итерации получен оптимальный план х* = (6; 0; 3; 2; 0; 0; 0), который обеспечивает максимальное значение целевой функции F*max = – 7.

Ответ: х* = (6; 0; 3; 2; 0; 0; 0), F *mах = – 7.

Для целостного восприятия процесса заполнения симплекс-таблицы ниже кратко приводятся использованные хорошо известные алгоритмы основного и двойственного симплекс-методов решения ЗЛП в отсутствие искусственных неизвестных:

Алгоритм основного Алгоритм двойственного симплекс-метода симплекс-метода 1. Заполнить исходную симплекс-таблицу (0-ю итерацию), 1. При наличии представляющую расширенную матрицу системы ограничений отрицательных в форме уравнений с предпочтительными неизвестными и свободных членов в неотрицательными свободными членами в их правых частях, правой части уравнений под которой в дополнительной строке записываются системы ограничений (в коэффициенты при неизвестных и свободный член целевой случае, когда все функции F  min; в качестве базисных неизвестных взять коэффициенты при предпочтительные. неизвестных в строке 2. При наличии отрицательных коэффициентов при целевой функции неизвестных в целевой функции подготовиться к следующей неотрицательны) итерации: подготовиться к  среди отрицательных коэффициентов сj в целевой следующей итерации: функции выбрать максимальный по модулю, определив  среди разрешающий столбец (); отрицательных  среди всех отношений правых частей системы свободных членов bi в ограничений bi к положительным элементам разрешающего правой части системы столбца выбрать минимальное, определив разрешающую ограничений выбрать строку (); максимальный по  выделить рамкой разрешающий элемент, стоящий на модулю, определив пересечении разрешающих столбца и строки. разрешающую строку (); 3. Заполнить новую таблицу (т.е. выполнить следующую  среди всех итерацию): отношений  базисную неизвестную в разрешающей строке прежней коэффициентов сj в итерационной таблицы заменить в новой таблице неизвестной строке целевой функции разрешающего столбца; к отрицательным  заполнить столбцы базисных неизвестных: на пересечении элементам разрешающей столбца и строки каждой базисной неизвестной поставить 1, строки выбрать остальные элементы столбца равны 0; минимальное по модулю,  если в разрешающем столбце прежней итерационной определив разрешающий таблицы есть нули, то соответствующие им строки переписать столбец (); без изменений;  выделить рамкой  если в разрешающей строке прежней итерационной разрешающий элемент,

129

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

таблицы есть нули, то соответствующие им столбцы стоящий на пересечении переписать без изменений; разрешающих столбца и  разрешающая строка прежней итерационной таблицы строки. переносится в новую после деления всех ее элементов на 2. Выполнить п. 3 разрешающий элемент, и становится опорной строкой () в алгоритма основного новой таблице, в незаполненных полностью столбцах симплекс-метода для выделить в записанной опорной строке опорные элементы; заполнения новой  все остальные элементы новой таблицы определить по таблицы. правилу треугольника: искомый элемент (1) равен разности 3. Новый базис элемента (2) на месте искомого в прежней таблице и проверяется на произведения элемента (3) в разрешающем столбце прежней оптимальность: если в таблицы в строке напротив элемента (2) на опорный элемент крайнем правом столбце (4) в столбце искомого элемента (1) новой таблицы; итерационной таблицы исключение – при вычислении значения новой константы в все свободные члены строке целевой функции в правиле треугольника операция системы ограничений вычитания заменяется на сумму. неотрицательны, то 4. Новый базис проверяется на оптимальность: если в найденное базисное итерационной таблице все коэффициенты при неизвестных в решение оптимально, строке целевой функции неотрицательны, то найденное иначе перейти к п.1 базисное решение оптимально, иначе перейти к п.3 алгоритма. алгоритма.

Метод искусственного базиса – разновидность основного симплекс-метода, в котором для получения математической модели ЗЛП допустимого предпочтительного вида канонической формы использованы искусственные неизвестные (неотрицательные неизвестные, вводимые в уравнения системы ограничений, не содержащие предпочтительных неизвестных). В каждой итерационной симплекс-таблице помимо строки основной целевой функции F(х)  min, возникает строка дополнительной минимизируемой целевой функции G(x)  min, равной сумме искусственных неизвестных, выраженных через свободные неизвестные уравнений, содержащих эти искусственные неизвестные. К минимизации основной целевой функции F(х) в этом методе можно приступать только при достижении нулевого значения функции G(x) в базисе, не содержащем искусственные неизвестные. При последующей оптимизации основной целевой функции F искусственные неизвестные запрещено вводить в базис, даже если они имеют отрицательные коэффициенты. Продемонстрируем решение рассмотренного примера при использовании метода искусственного базиса. В этом случае математическая модель ЗЛП принимает вид: x  2x  2х  x  14; x  0;  1 2 3 4 1 x  x  x  x  6; x  0;  1 2 5 6 2  2x  3х  x  9; х  0;  2 3 7 3 F = 2x1 – х2 – 3х3 + 4 → min; G = x6 + x7 = – x1 – x2 – 3x3 + x5 + 15; где х4  0 и х5  0 – балансные неизвестные, х6  0 и х7  0 – искусственные неизвестные, х4  0, х6  0 и х7  0 – предпочтительные переменные, которые образуют начальный базис. № базис х1 х2 х3 х4 х5 х6 х7 b 0 х4 1 2 2 1 0 0 0 14 х6 1 – 1 0 0 – 1 1 0 6

х7* 0 2 3 0 0 0 1 9 F 2 – 1 – 3 0 0 0 0 4 G – 1 – 1 – 3* 0 1 0 0 15 1 х4 1 2/3 0 1 0 0 – 2/3 8

х6* 1 – 1 0 0 – 1 1 0 6

х3 0 2/3 1 0 0 0 1/3 3 

130

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

F 2 1 0 0 0 0 1 – 5 G – 1* 1 0 0 1 0 1 6 2 х4 0 5/3 0 1 1 – 1 – 2/3 2 х1 1 – 1 0 0 – 1 1 0 6  х3 0 2/3 1 0 0 0 1/3 3 F 0 3 0 0 2 – 2 1 7 G 0 0 0 0 0 1 1 0

Поскольку в оптимальной симплекс-таблице G = 0 с учетом того, что x6 и x7 – в оптимальном базисе являются свободными неизвестными, и, следовательно, в данном базисном решении равны нулю, а среди коэффициентов при неискусственных неизвестных основной целевой функции F  min нет отрицательных, то получен оптимальный план: х* =

(6; 0; 3; 2; 0), F *mах = – 7. Предлагаемый смешанный симплекс-метод органично вписывается в экономический анализ и процесс выявления особых случаев возможных решений задачи линейного программирования [2, 9]: отсутствия оптимального решения из-за его неограниченности, отсутствия допустимых решений, наличия альтернативных оптимальных решений, вырожденности оптимального решения. Например,  если при решении ЗЛП основным симплекс-методом, в том числе методом искусственного базиса, или смешанным симплекс-методом на этапе основного ни в одном столбце системы ограничений, соответствующем отрицательным коэффициентам сj, нет

положительных элементов аij, то целевая функция F  max не ограничена сверху (соответственно, функция F = – F  min не ограничена снизу);  если при решении ЗЛП двойственным симплекс-методом, или смешанным симплекс-методом на этапе двойственного ни в одной строке системы ограничений c отрицательными свободными членами bi нет отрицательных элементов аij; а при решении методом искусственного базиса в дополнительной целевой функции G  min значение свободного члена G0  0 в отсутствие отрицательных коэффициентов при свободных неизвестных в этой функции, то область допустимых решений – пустое множество;  если при решении ЗЛП любым симплекс-методом хотя бы один из коэффициентов при свободных неискусственных неизвестных в строке целевой функции оптимального решения в симплекс-таблице равен нулю, то имеются альтернативные оптимальные решения.

Примечания: 1. Данциг Дж. Линейное программирование, его обобщения и применения. М.: Изд-во «Прогресс», 1966. 600 с. 2. Таха Хэмди А. Введение в исследование операций. М.: Издательский дом «Вильямс», 2005. 912 с. 3. Dantzig G.B. Programming in a linear structure // Washington, Comptroller, USAF, 1948. 4. Dantzig G.B. Programming in interdependent activities, Mathematical model // Econometrica, 1949, 17, p. 200-211. 5. Dantzig G.B. Composite Simplex-Dual Simplex Algorithm-I // RAND Report RM-1274, The RAND Corporation, Santa Monica, Calif., 1954. 6. Dantzig G.B., Ford L.R., Jr., and Fulkerson D.R. A Primal-Dual Algorithm // RAND Report RM-1709, The RAND Corporation, Santa Monica, Calif., 1956. 7. Lemke G.T. The dual method of solving the linear programming problem // Navel Res. Logist. Quart., 1954, v. 1, № 1, p. 36-47. 8. Самарин В.И. К концепции лекции по элементам теории оптимизации //Материалы 3-й Международной научно-методической конференции «Проектирование инновационных процессов в социокультурной и образовательной сферах», часть 2. Сочи: РИО СГУТиКД, 2000. С. 157-159.

131

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

9. Samarin V.I. Practice curriculum analysis-project of resources optimum using into linear programming production planning // European researcher, № 5-1 (7), 2011. p. 520-526. 10. Orchard-Hays W. A Composite Simplex Algorithm-II // RAND Report RM-1275, The RAND Corporation, Santa Monica, Calif., 1954.

References: 1. Dantsig Dzh. Lineinoe programmirovanie, ego obobshcheniya i primeneniya. M.: Izd-vo «Progress», 1966. 600 s. 2. Takha Khemdi A. Vvedenie v issledovanie operatsii. M.: Izdatel'skii dom «Vil'yams», 2005. 912 s. 3. Dantzig G.B. Programming in a linear structure // Washington, Comptroller, USAF, 1948. 4. Dantzig G.B. Programming in interdependent activities, Mathematical model // Econometrica, 1949, 17, p. 200-211. 5. Dantzig G.B. Composite Simplex-Dual Simplex Algorithm-I // RAND Report RM-1274, The RAND Corporation, Santa Monica, Calif., 1954. 6. Dantzig G.B., Ford L.R., Jr., and Fulkerson D.R. A Primal-Dual Algorithm // RAND Report RM-1709, The RAND Corporation, Santa Monica, Calif., 1956. 7. Lemke G.T. The dual method of solving the linear programming problem // Navel Res. Logist. Quart., 1954, v. 1, № 1, p. 36-47. 8. Samarin V.I. K kontseptsii lektsii po elementam teorii optimizatsii //Materialy 3-i Mezhdunarodnoi nauchno-metodicheskoi konferentsii «Proektirovanie innovatsionnykh protsessov v sotsiokul'turnoi i obrazovatel'noi sferakh», chast' 2. Sochi: RIO SGUTiKD, 2000. S. 157-159. 9. Samarin V.I. Practice curriculum analysis-project of resources optimum using into linear programming production planning // European researcher, № 5-1 (7), 2011. p. 520-526. 10. Orchard-Hays W. A Composite Simplex Algorithm-II // RAND Report RM-1275, The RAND Corporation, Santa Monica, Calif., 1954.

УДК 316

Смешанный симплекс-метод решения задачи линейного программирования

Виктор Иванович Самарин

Сочинский государственный университет, Российская Федерация 354000, г. Сочи, ул. Советская, 26а кандидат физико-математическихнаук, доцент E-mail: [email protected]

Аннотация. Предложен смешанный симплекс-метод решения задачи линейного программирования, который в совокупности с основным и двойственным методами позволяет решить любую такую задачу без использования искусственных неизвестных. Приведены требования к форме математической модели задачи и условия, при которых задача решается смешанным симплекс-методом. Представлен алгоритм смешанного симплекс-метода и рассмотрен пример решения соответствующей задачи последовательными итерациями в симплекс-таблицах. Ключевые слова: каноническая форма; балансные неизвестные; предпочтительные неизвестные; искусственные неизвестные; базисные неизвестные; базис; единичная матрица; алгоритм решения задачи; симплекс-таблица; недопустимая правая часть; транспортная задача.

132

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 133-137, 2014

DOI: 10.13187/mai.2014.3.133 www.ejournal11.com

UDC 659

System and Conceptual Approach in Public Relations

1 Alisa S. Simavoryan 2 Simon Zh. Simavoryan

1 Sochi State University, Russian Federation 354000, Sochi, Sovietskaya st., 26a E-mail:[email protected] 2 Sochi State University, Russian Federation 354000, Sochi, Sovietskaya st., 26a PhD (Technical), associate professor E-mail: [email protected]

Abstract Currently, one of the relevant issues in the area of public relations in organizations, establishments and enterprises is the issue of ensuring effective PR-activity (PR-advertising) at market of goods and services. Public relations structurally are a part of the organizations, enterprises and establishments. For the solution of the task, various approaches were used, and it is obvious, that the decision requires a systematic approach. The idea of systematic approach is not new. The article suggests the systematic approach on the basis of conceptual unity of theoretical and practical prerequisites to the systematic solution of a task, i.e. the concept representing the general, full, finished and non-controversial system of principles and methods of the organization and ensuring the systematic activity in public relations. The article features the systematic and conceptual approach to the organization of activity for the divisions of public relations. Keywords: systematic (system and conceptual) approach; public relations; PR-activity; PR-advertising.

Введение Вопрос об организации эффективного функционирования подразделений связей с общественностью (СО) в учреждениях, организациях и предприятиях (ОУП) является весьма актуальным. Одной из актуальных задач является задача системного подхода к организации деятельности подразделений СО в ОУП. Решение этой задачи приводится в этой статье.

Материалы и методы Материалы. В работе использованы современные материалы по организации системного подхода к деятельности связей с общественностью в организациях, учреждениях и предприятиях. Методы. Использованы методы структуризации компонентов больших систем.

Обсуждение

133

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Широкое развитие и использование компьютерных и информационных технологий в самых различных областях человеческой деятельности, в том числе и в СО, потребовали создания принципиально новых методов планирования и организации деятельности СО в различных ОУП, позволяющих обеспечить их эффективное функционирование, учесть специфику работы СО. Сама проблема обеспечения эффективной работы СО не нова, в этом направлении проводились различные исследования, например, [2,6]. В настоящее время, в области планирования и организации деятельности СО происходят существенные количественные и качественные изменения. Количественные изменения характеризуются быстрым ростом номенклатуры средств вычислительной техники и программного обеспечения, а также их широким использованием в организации работы подразделений СО в ОУП. Качественные изменения заключаются в комплексной автоматизации процессов обработки, хранения и передачи информации, в повсеместном переходе к ведомственным формам использования ресурсов вычислительной техники (ВТ) и в тенденции объединения ВТ в территориально- распределенные вычислительные системы и сети. При таких формах и способах использования ВТ в области СО типичными становятся следующие особенности: - всѐ больший удельный вес автоматизированных процедур в общем объеме процессов обработки информации в СО; - большая и всѐ возрастающая концентрация вычислительных ресурсов в подразделениях СО; - всѐ возрастающая важность и ответственность решений в PR-деятельности СО, принимаемых в автоматизированном режиме и на основе автоматизированной обработки информации; - интенсивная циркуляция PR-информации в ведомственных и социальных сетях; - неизбежное расширение поля деятельности СО подразделений. Сказанное дает основание утверждать, что для современных подразделений СО требуется не просто применение средств, методов и мероприятий для обеспечения эффективного функционирования СО, а наличие системной основы для еѐ эффективного функционирования. Понятие системы играет важную роль в современной науке и в имеющейся литературе довольно много похожих друг на друга, но различных определений системы [3, 4, 5]. Наиболее интересным определением системы является следующее: система – целостное образование, обладающее новыми качественными характеристиками, которые отсутствуют в образующих элементах. Связь между элементами настолько существенна, что изменение одной из них вызывает изменение других, а нередко системы в целом. Связи между элементами системы служат основанием того, что во взаимодействии с внешней средой, система выступает как нечто целое, обладающее качественной определенностью [3]. Предпосылкой необходимости проведения разработок на основе системной концепции являются работы [3, 4, 5]. Разработка такой концепции возможна только на основе концептуального единства теоретических и практических предпосылок, представляющих собой общую, полную, законченную и непротиворечивую систему принципов и методов организации и обеспечения согласованной работы подразделения СО с подразделениями ОУП. При этом общность концепции предполагает еѐ адекватность для достаточно общего структурного построения и функционирования СО в ОУП. Полнота концепции означает учет в ней всего многообразия факторов, существенно влияющих на качество деятельности подразделений СО. Под законченностью концепции понимается, с одной стороны, однозначность интерпретации всех еѐ элементов, а с другой стороны, однозначность определения структуры подразделения СО. Наконец, непротиворечивость концепции предполагает внутреннюю согласованность еѐ элементов и согласованность с основными положениями наиболее общих концепций построения и функционирования подразделений СО в составе ОУП. Общая структура унифицированной концепции СО приводится на рис 1.

134

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Рис. 1. Общая структура унифицированной концепции СО

Из приведенного рисунка видно, что исходной основой построения концепции являются: концепции построения и функционирования ОУП, концепции построения и функционирования СО, концепции развития компьютерных и информационных технологий применяемых в СО и условия функционирования СО. Исследование этих положений предлагаемой концепции в данной статье не приводится. Параметрами СО являются объекты и элементы СО, требования СО, показатели эффективности функционирования СО. Объекты СО [8] – целевые группы PR-общественности. PR-общественность – это элемент широкой общественности, потребности, интересы и/или ценности которого связаны с рыночной, социально-политической или иной имеющей публичный статус, деятельностью субъектов PR; Элементы СО [8] – субъекты СО и предмет СО. Субъект СО – субъект публичной сферы, на оптимизацию коммуникативной среды которого направлена деятельность определенной PR-структуры, другими словами, это заказчик, инициатор, а также исполнитель PR- деятельности (личности, организации, институты); предмет СО – отношение объекта к субъекту, которое может выражаться как во мнениях, так и в поступках, способствующих формированию позитивного общественного мнения, повышению производственной эффективности ОУП, развитию публичного дискурса и менеджмента коммуникаций. Под требованиями к СО понимаются должностные инструкции предъявляемые к специалистам [11, 12] Под показателями эффективности деятельности СО понимаются показатели характеризующие деятельность СО с точки зрения потребностей решаемых задач. Показатели эффективности деятельности СО должны обладать следующими свойствами: - достаточностью (полнотой) их для информационного обеспечения решаемых задач; - значимостью и важностью информации в процессе решения задач СО; - адекватностью, т.е. соответствию текущему состоянию тех объектов или процессов, к которым относится оцениваемая информация; - релевантностью, т.е. чистотой информации, отсутствием среди необходимых данных ненужных шумов; - толерантностью, т.е. удобной с точки зрения восприятия и еѐ использования. Деятельность СО характеризуется не только показателями эффективности [1, 9], но и такими показателями как успешность [7], имидж [13] и т.д. Конструктивными элементами концепции являются: функции, задачи, средства и механизмы функционирования СО.

135

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Под функцией СО понимается совокупность однородных в функциональном отношении мероприятий, регулярно осуществляемых персоналом СО в ОУП с целью создания, поддержания и обеспечения условий, объективно необходимых для обеспечения надежного функционирования СО. Основным концептуальным требованием к функциям является полнота, т.е. требование системного функционирования СО по всем аспектам еѐ функционирования. Строго формального метода формирования функций СО не существует, поэтому их перечни формулируются с использованием неформально-эвристических методов [10]. Примеры функций можно найти в [14, 15]. Регулярное осуществление каждой из функций СО, достигается организацией решения специальных задач СО Задачей СО названа совокупность действий (мероприятий), осуществляемых персоналом СО с целью реализации функций СО. Основным концептуальным требованием к задачам является их адекватность функциям. Примеры задач СО можно найти в [16, 17]. Средства СО – совокупность современных компьютерных и информационных технологий, используемых для решения задач СО. Примеры средств СО можно найти в [18, 19] Объединяющим звеном конструктивных элементов концепции являются механизмы функционирования СО – организованная совокупность всех средств, методов и мероприятий, предусматриваемых и реализуемых в ОУП с целью полного решения задач СО. Основным концептуальным требованием к механизмам функционирования СО является их адаптируемость, т.е. способность к целенаправленному приспособлению изменениям структуры ОУП, СО, технологических схем и условий их функционирования. Исследование по механизмам функционирования подразделений СО в данной статье не приводятся. В качестве обратной связи к основным элементам концепции названы условия, способствующие повышению эффективности СО, которые приведены в работе [2]. Таким образом, системно-концептуальный подход к деятельности СО дает следующие возможности: 1) в основу концепции положить наиболее устойчивые тенденции развития СО в ОУП; 2) в основу концептуального единства положить теоретические и практические предпосылки системного обеспечения деятельности СО; 3) формирование полного множества требований к деятельности СО; 4) формирование полного множества функций СО; 5) формирование полного множества задач СО; 6) создание развитого множества средств обеспечения функционирования СО; 7) создание условий обеспечения функционирования СО с заданной эффективностью; 8) формулирование полного множества условий, способствующих повышению эффективности функционирования СО.

Примечания: 1. Simavoryan A.S., Simavoryan S.Zh. Model of an estimation of an image of the expert in public relations in perception of various social groups // European researcher. 2011. No 5-1 (7). P. 779-782. 2. Simavoryan A.S., Simavoryan S.Zh. The Conditions Promoting Increase of Efficiency of Functioning of Divisions PR in Establishments, the Organizations and the Enterprises // European researcher. 2013. No 5-1 (48). P. 1279-1282. 3. Афанасьев В.Г. Общество: системность, познание и управление. М.: Политиздат, 1981. С. 432. 4. Леонидэс Алексис Куэвас Гринян. Системный подход и его роль в социальном познании / Ленинград, канд. ф. н., 1984. С. 177. 5. Суханов В.И. Системный подход к проблеме формирования имиджа территории. Журнал «Власть». 2012. № 6. С. 103-106. 6. Маркина О.В. Анализ подходов к оценке эффективности кампаний по связям с общественностью // Известия Российского государственного педагогического университета им. А.И. Герцена. 2007. Т. 12. № 33. С. 165-168. 7. http://studopedia.net/2_61241_kriterii-uspeshnosti-PR-kampanii.html. Режим доступа 01.02.2014г. 136

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

8. http://gendocs.ru/v9495/билеты_теория_и_практика_связей_с_общественностью ?page=2. Режим доступа 01.02.2014г. 9. http://www.pr-info.ru/cgi-bin/gb1/gb.cgi?n=764. Режим доступа 01.02.2014г. 10. Герасименко В.А., Попов Г.А., Таирян В.Н. Основы оптимизации в системах управления (Концепции, методы, модели). М., 1990. Деп. в ВИНИТИ 10.04.90, № 2373-В90. 11. http://hr-portal.ru/pages/Di/785.php. Режим доступа 07.02.14г. 12. http://www.socio-pr.ru/node/3. Режим доступа 07.02.14г. 13. Елисеева Ж.М. Исследование связи между особенностями имиджа сотрудников предприятия и успешностью их деятельности // Журнал «Альманах современной науки и образования», № 2 (57) 2012. С. 79-82. 14. http://lib.rus.ec/b/204382/read. Режим доступа 08.02.14 15. http://otherreferats.allbest.ru/marketing/00195590_0.html. Режим доступа 08.02.14г. 16. http://www.referatbank.ru/market/referat/rw/11009/kontrolnaya-zadachi-i-funktsii- svyazey-s-obschestvennostyu.html. Режим доступа 09.02.14г. 17. http://otherreferats.allbest.ru/marketing/00141307_0.html. Режим доступа 09.02.14г. 18. http://otherreferats.allbest.ru/marketing/00068438_0.html. Режим доступа 09.02.14г. 19. Акулич И.Л. Международный маркетинг: Уч. пособие. Мн., 2006. 544 с.

References: 1. Simavoryan A.S., Simavoryan S.Zh. Model of an estimation of an image of the expert in public relations in perception of various social groups // European researcher. 2011. No 5-1 (7). P. 779-782. 2. Simavoryan A.S., Simavoryan S.Zh. The Conditions Promoting Increase of Efficiency of Functioning of Divisions PR in Establishments, the Organizations and the Enterprises // European researcher. 2013. No 5-1 (48). P. 1279-1282. 3. Afanas'ev V.G. Obshchestvo: sistemnost', poznanie i upravlenie. M.: Politizdat, 1981. S. 432. 4. Leonides Aleksis Kuevas Grinyan. Sistemnyi podkhod i ego rol' v sotsial'nom poznanii / Leningrad, kand. f. n., 1984. S. 177. 5. Sukhanov V.I. Sistemnyi podkhod k probleme formirovaniya imidzha territorii. Zhurnal «Vlast'». 2012. № 6. S. 103-106. 6. Markina O.V. Analiz podkhodov k otsenke effektivnosti kampanii po svyazyam s obshchestvennost'yu // Izvestiya Rossiiskogo gosudarstvennogo pedagogicheskogo universiteta im. A.I. Gertsena. 2007. T. 12. № 33. S. 165-168. 7. http://studopedia.net/2_61241_kriterii-uspeshnosti-PR-kampanii.html. Rezhim dostupa 01.02.2014g. 8. http://gendocs.ru/v9495/bilety_teoriya_i_praktika_svyazei_s_obshchestvennost'yu? page= 2. Rezhim dostupa 01.02.2014g. 9. http://www.pr-info.ru/cgi-bin/gb1/gb.cgi?n=764. Rezhim dostupa 01.02.2014g. 10. Gerasimenko V.A., Popov G.A., Tairyan V.N. Osnovy optimizatsii v sistemakh upravleniya (Kontseptsii, metody, modeli). M., 1990. Dep. v VINITI 10.04.90, № 2373-V90. 11. http://hr-portal.ru/pages/Di/785.php. Rezhim dostupa 07.02.14g. 12. http://www.socio-pr.ru/node/3. Rezhim dostupa 07.02.14g. 13. Eliseeva Zh.M. Issledovanie svyazi mezhdu osobennostyami imidzha sotrudnikov predpriyatiya i uspeshnost'yu ikh deyatel'nosti // Zhurnal «Al'manakh sovremennoi nauki i obrazovaniya», № 2 (57) 2012. S. 79-82. 14. http://lib.rus.ec/b/204382/read. Rezhim dostupa 08.02.14 15. http://otherreferats.allbest.ru/marketing/00195590_0.html. Rezhim dostupa 08.02.14g. 16. http://www.referatbank.ru/market/referat/rw/11009/kontrolnaya-zadachi-i-funktsii- svyazey-s-obschestvennostyu.html. Rezhim dostupa 09.02.14g.

137

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

17. http://otherreferats.allbest.ru/marketing/00141307_0.html. Rezhim dostupa 09.02.14g. 18. http://otherreferats.allbest.ru/marketing/00068438_0.html. Rezhim dostupa 09.02.14g. 19. Akulich, I.L. Mezhdunarodnyi marketing : ucheb. posobie / I.L. Akulich. Mn. : Vysh. shk., 2006. 544 s.

UDC 659

Системно-концептуальный подход в связях с общественностью

1 Алиса Симоновна Симаворян 2 Симон Жоржевич Симаворян

1 Сочинский государственный университет, Российская Федерация 354000, г. Сочи, ул. Советская, 26 а E-mail: [email protected] 2 Сочинский государственный университет, Российская Федерация 354000, г. Сочи, ул. Советская, 26 а кандидат технических наук, доцент E-mail: [email protected]

Аннотация. В настоящее время одной из актуальных задач в области деятельности связей с общественностью (СО) в организациях, предприятиях и учреждениях (ОУП) является задача обеспечения эффективной PR-деятельности (PR-рекламы) на рынке товаров и услуг ОУП. СО структурно входит в состав ОУП. Для решения выбранной задачи используются различные подходы, ясно, что для ее решения требуется системный подход. Сама идея системного подхода не новая. В данной статье предложен системный подход на основе концептуального единства теоретических и практических предпосылок системного решения задачи, т.е. концепции представляющей собой общую, полную, законченную и непротиворечивую систему принципов и методов организации и обеспечения системной деятельности СО. В статье предложен системно-концептуальны подход к организации деятельности подразделений СО. Ключевые слова: системный (системно-концептуальный) подход; связи с общественностью; PR-деятельность; PR-реклама.

138

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

Published in the Russian Federation Modeling of Artificial Intelligence Has been issued since 2014. ISSN: 2312-0355 Vol. 3, No. 3, pp. 138-148, 2014

DOI: 10.13187/mai.2014.3.138 www.ejournal11.com

UDC 004.8

Conclusions of Intellectual Systems

Victor Ya. Tsvetkov

Moscow State Technical University of Radio Engineering, Electronics and Automation MSTU MIREA, Russian Federation E-mail: [email protected]

Abstract This article describes the methods for collecting automated solutions in intellectual systems. This article features conclusive methods based on the forward and reverse chains, the difference between the method of straight chain and the method of the inverse chain. This article describes methods of finding solutions in the state space, the difference between in-depth and breadth-first research. A backtracking method is described. The reduction method is revealed. The article shows the limits of applicability of methods and provides a comparison of described methods with the method of precedents. Keywords: artificial intellect; conclusive rules; graphs; decomposition; problem solving; formalization; intelligent systems; intellectual transport systems.

Введение В настоящее время актуальной проблемой в области искусственного интеллекта является проблема конструирования интеллектуальных систем реального времени [1], типичными представителями которых являются интеллектуальные транспортные системы (ИТС) [2, 3]. В более обобщенном понимании такие системы называют созданию интеллектуальные системы поддержки принятия решений (ИСППР) [4] для реального времени. Такие системы ориентированы на открытые и динамические предметные области. В основе таких систем лежит возможность вывода на основе имеющейся информации и информационных ресурсов. Они способны к обучению моделей представленных в виде знаний, способны уменьшать неопределенность и изменять свое состояние. Современные исследования по созданию интеллектуальных систем поддержки принятия решений (ИСППР), в частности, интеллектуальных транспортных систем (ИТС), непосредственно связаны с проблемой вывода [5]. Она реализуется по-разному: логический вывод, метод прямой и обратной цепочек [6]; методы поиска решений в пространстве состояний [7], моделирования правдоподобных рассуждений [8] и другие. Второй и третий методы наиболее удобны с точки зрения их программной реализации. Рассмотрим проблему вывода в интеллектуальных система реального времени на примере ИТС.

Методы вывода на основе прямой и обратной цепочек. Как всякая интеллектуальная система ИТС включает базу знаний и базу данных. В базе знаний (БЗ), хранятся правила, факты сдержатся в базе данных (БД). Правила могут создаваться и

139

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

накапливаться в БЗ, данные (факты) могут создаваться и накапливаться в БД. Отмечаем принципиальное отличие. В обычной базе данных данные вводятся только пользователем. В ИТС, на основе совокупности правил, данные могут создаваться самой системой. При продукционном представлении область знаний в ИТС представляется множеством продукционных правил «ЕСЛИ → ТОГДА», а данные представляются множеством фактов о текущей ситуации. ИТС может использовать логическую цепочку вывода для принятия решения на основе имеющихся фактов; это является основной частью ее способностей. ИТС также может использовать логическую цепочку вывода для получения схемы решения и сведения проблемы к фактам. Механизм вывода должен быть построен так, чтобы правила сработали для получения правильного решения. Для этого применяют два способа: Первый способ называется прямая, или условно-выводимая, цепочка. Он основан на декомпозиции проблемы [9] или задачи – для получения (вывода) графа решения или структуры вывода [10]. Этот способ используется для обучения ИТС. Он определяет совокупность логических правил для получения решений. Этот способ задает структуру вывода проблемы или алгоритм решения. Разбиение или декомпозиция осуществляется до уровня данных (фактов), которые делятся на определяемые (или измеряемые) и вычисляемые. Второй способ называется обратная, или целе-выводимая, цепочка. Он и служит основой принятия решений ИТС или вывода. Он использует совокупность существующих логических правил для получения решений при наличии исходных данных. При этом возможны два варианта: все данные заданы, часть данных вычисляется. Первый пример показан на рис. 1. Механизм вывода решения сопоставляет каждое правило, хранящееся в базе знаний (БЗ) с фактами, содержащимися в базе данных (БД) Когда часть правила «ЕСЛИ» (условие) подходит факту, правило срабатывает и его часть ТОГДА (действие) исполняется. Срабатывающее правило может изменить множество фактов путем добавления нового факта. Сопоставление частей «ЕСЛИ» правил с фактами создает цепочку вывода на основе фактов. Цепочка вывода показывает, как ИТС применяет правила для получения решения (заключения). Для иллюстрации метода вывода на основе цепочки, рассмотрим простой пример, когда все факты заданы. Допустим, БД первоначально включает факты A,B,C,Y , а БЗ содержит следующие правила: Правило 1.Y&X →Z Правило 2. E&D&F→X Правило 3. А→E Правило 4. B→D Правило 5. C→F Цепочка вывода на рис. 1. показывает, как ИТС применяет правила для вывода факта Z. Сначала срабатывает Правило 5 для вывода нового факта F из данного факта C. Затем срабатывает Правило 4 для вывода нового факта D из данного факта B. Затем срабатывает Правило 3 для вывода нового факта E из данного факта A. Затем Правило 2 выполняется для вывода факта Х из вторичных фактов F, D и Е. И наконец, Правило 1 применяет первоначально известный факт Y и только что полученный факт X для прихода к заключению Z. В данном случае осуществляется анализ левой части правила. Продукционные системы, в которых сначала анализируется антецедентная часть (условия), имеют условно-выводимую архитектуру. Они основаны на интерпретации логической связки «А→E» правилом «ЕСЛИ → ТОГДА».

140

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

А Е

В D X Z С F Y

Рис. 1. Пример цепочки вывода решения, доказывающего истинность Z

Возможны другие виды интерпретации, что создает другие виды архитектур. Альтернативным типом архитектуры, которая достаточно часто используется в ИТС, являются действие-выводимые или консеквент-выводимые продукционные системы. Например, логическая связка вида А&В&С→D может быть интерпретировано в виде отмеченного выше продукционного правила, как «Логическая конъюнкция А, В и С влечет D» . Но эта логическая связка может быть интерпретировано по другому «Чтобы доказать D, необходимо установить А, В, С». В последнем случае цель должна быть достигнута дедуктивным выводом. Для этого исследуются консеквенты правил для нахождения такого правила, которое позволило бы достичь цели. Когда такое правило найдено, проверяются на истинность все его условия. Если условия истинны, продукция активируется. В противном случае продолжается поиск подходящей продукции. Рассмотрим упрощенный пример системы с консеквент-выводимой архитектурой. Элементы БД считаются истинными, если содержатся в ней. БД содержит A и F. БЗ содержит следующие правила. Правило 1: A&B&C→D Правило 2: D&F→G Правило 3:A&J→G Правило 4: В→С Правило 5: F→В Правило 6: L→J Правило 7: G→Н Предположим, цель состоит в том, чтобы вывести истинность Н. Построим цепочку шагов. 1. В первую очередь проверяется, находится ли Н в БД? 2. Так как в данном случае это не так, то система пытается вывести истинность Н, используя правила, имеющие Н в правой части. Таким является правило 7. 3. Теперь система пытается вывести истинность G, так как истинность последнего влечет за собой истинность Н. Снова проверяется БД: в БД нет G, следовательно, организуется поиск правила, содержащего G в правой части. Таких правил два. При наличии неоднозначности (несколько альтернативных правил) возникает «конфликт». В качестве стратегии «разрешения конфликта» используют отношения порядка. То есть правила упорядочивают по приоритету, при котором правилу с наименьшим номером соответствует больший приоритет. 4 . В данном случае выбирается правило 2, поэтому целью теперь становится вывести истинность D и F. 5. А находится в базе данных, следовательно А – истинно 6. F находится в базе данных, следовательно F – истинно 7. D находится по правилу 1 через A, B, C

141

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

8. B находится по правилу 5 через F 9. C находится по правилу 4 через B Таким образом, цель достигнута. Элементы, истинность которых доказана, добавляются в БД. В данном случае это – элементы Н, G, D, С. В. На рис. 2. приведена логическая схема декомпозиции Н. Эта схема задает структуру правила выводя Н из из A, F. Она показывает какие правила из имеющихся в БЗ надо использовать и в какой последовательности. Правила обозначены кружочками, выводимые (вычисляемые) факты квадратиками, истинные факты (исходные A, F) обозначены квадратиками с двойными сторонами.

3 2

F D

1 C

A В 4

Рис. 2. Логическая схема декомпозиции, доказывающая истинность Н из A, F

Таким образом, мы получили схему, согласно которой истинность A, F влечет истинность Н. «(A, F) →Н» Обращает на себя внимание возможная неоднозначность решения. Эта проблема, с которой всегда приходится сталкиваться.

Методы поиска решений в пространстве состояний. Методы перебора [11]. Решение многих задач в интеллектуальных системах можно определить как проблему поиска,

142

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

где искомое решение - это цель поиска, а множество возможных путей достижения цели представляет собой пространство поиска (или пространство состояний). Поиск решений в пространстве состоит в определении последовательности операторов, которые преобразуют начальное состояние в целевое. Задачу поиска в пространстве состояний можно сформулировать в общем виде так: Пусть исходная задача описывается тройкой (S, F, Т), где S – множество начальных состояний; F – множество операторов, отображающих одни состояния в другие; Т – множество целевых состояний. Решение задачи состоит в нахождении последовательности операторов f1, f2, f3 — (fi F), которые преобразуют начальные состояния в конечные. Задача поиска в пространстве состояний описывается с помощью понятий теории графов. Задается начальная вершина Pr (исходное состояние рис. 2) и множество целевых вершин Т. Для построения пространства состояний используются операторы F. Последовательно от корня к вершинам дерева применяются операторы, относящиеся к этому уровню, для построения вершин-преемников следующего уровня (раскрытие вершин). Дуги идентифицируются как операторы преобразования. Получаемые вершины - преемники проверяются: не являются ли они целевыми. Далее переходят к следующему уровню. Терминальные вершины – это те, к которым нельзя применить никаких операторов. Раскрытие продолжается до тех пор, пока не получена целевая или терминальная вершина. Поиск на графе состояний – это процесс построения графа Pr, содержащего целевую вершину. Этот граф называется графом декомпозиции проблемы. Как было отмечено выше, возможна неоднозначность решения и наличие альтернатив. Это обуславливает наличие нескольких вариантов реализации метода перебора, которые отличаются порядком, в котором будут перебираться вершины. Поиск в глубину. При поиске в глубину прежде всего раскрывается та вершина, которая имеет наибольшую глубину (рис. 3). Из вершин, расположенных на одинаковой глубине, выбор вершины для раскрытия определяется произвольно. Для сдерживания возможности следования по бесперспективному пути вводится ограничение на глубину. Вершины, находящиеся на граничной глубине, не раскрываются.

2 5

3 6 7 8

4 Г Г Т Г

Рис. 3. Граф состояния, по которому осуществляется поиск в глубину

На рис. 3 терминальные вершины обозначены прямоугольником с двойным подчеркиванием сторон, целевая вершина с символом «Т» – квадратная. Граничные вершины имеют символ «Г». Вершины с цифрами показывают последовательность поиска. Вершины без цифр и символов, те на которых поиск не проводится. Как только целевая вершина достигнута, поиск прекращается. Поиск в ширину. Вершины раскрываются в последовательности их порождения. Поиск идет по ширине дерева, т. к. раскрытие вершины происходит вдоль одного уровня. Целевая вершина выбирается сразу же после порождения. При поиске в ширину возможно нахождение наиболее короткого пути к целевой вершине, если такой путь есть. На рис. 4 представлен граф поиска в ширину. Обозначения те же, что на рис. 3. Вершины с цифрами показывают последовательность поиска. Понятие граничной вершины в этом случае отсутствует. 143

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

2 3 4

5 6 7 8

Рис. 4. Граф состояния, по которому осуществляется поиск в ширину

Поиск на основе стоимости дуг. Этот поиск применяют в сетевой модели, если имеется дополнительная информация, на основе которой дугам ставят в соответствие некоторый показатель (стоимость), чтобы оценить использование соответствующего правила. При поиске целевой вершины стремятся найти путь минимальной стоимости. Раскрытие вершин производится в порядке возрастания их стоимости. Наличие неоднозначности приводит к тому, что для одной целевой вершины может быть несколько путей. Для каждой целевой вершины определяют минимальную стоимость пути, построенного от начальной вершины до нее. Поиск с возвратом (бэктрекинг) [12]. При реализации такого поиска при выборе правила определяется точка возврата, т. е. если дальнейший поиск в выбранном направлении приведет к терминальным вершинам или будет бесперспективным, то осуществляется переход к точке возврата, пройденной на ранних этапах поиска. Далее применяется другое правило, и процесс поиска продолжается. Здесь все неудачные итерации, приведшие к тупиковой ситуации, забываются, как только применяется новое правило, и переходят к другому направлению поиска. Такой метод поиска с возвратом называется хронологическим возвратом. Он часто малоэффективен, т.к. не запоминает неудачные состояния и шаги поиска, встретившиеся на некотором пути. Многие из них впоследствии окажут свое отрицательное влияние при реализации других путей. При таком поиске много полезной информации отбрасывается и не используется при анализе дальнейших направлений поиска. Необходимо анализировать шаги вывода, приведшие к тупиковым ситуациям и ошибкам. Для этого надо запоминать шаги вывода. Кроме того, возвращаться надо не к точке возврата, предшествующей данному состоянию, а к состоянию, которое вызвало неудачный ход поиска. Для методов поиска решения при представлении пространства состояний в виде графа характерно то, что в них в основном предусматривается запоминание результатов применения нескольких последовательностей правил. Другая особенность - они работают в пробном режиме, то есть при выборе и использовании применимого правила для какой-либо ситуации предусматривается возможность возврата к этой ситуации для применения другого правила. Достоинствами методов перебора является достаточно простая их реализация и возможность в принципе находить решение, если оно существует. Однако на практике всегда есть ограничения по времени и объему памяти на процесс реализации поиска. Для больших пространств и сложных массивов задач методы перебора неприемлемы из-за информационного «комбинаторного взрыва». Для сокращения поиска необходима дополнительная информация. Эвристические методы поиска. Эти методы поиска можно использовать при наличии дополнительной информации – неких эмпирических правил, которые позволяют сокращать объем просматриваемых вариантов решений. Эвристическая информация, в частности, использует опыт, экспертные методы, аксиоматический подход. При использовании 144

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

эвристических методов поиска вершины стремятся упорядочить таким образом, чтобы процесс поиска распространился в направлениях, перспективных с точки зрения эксперта. Для определения направления поиска используется прагматическая мера, характеризующая перспективность вершины или пути, где эта вершина находится. Такую меру называют оценочной функцией f(n). Эта функция является оценкой стоимости кратчайшего пути из начальной вершины в целевую при условии, что он проходит через вершину п. Таким образом, этот метод является вариантом метода стоимости дуг, но в этом случае оценка дуг осуществляется эмпирически, на основе накопленного опыта, а не на основе правила. При определении пути выбирается вершина с минимальным значением оценочной функции. Недостатком метода является то, что оценочная функция должна адекватно характеризовать пространство поиска и требует большого объем знаний о проблемной области и тщательный анализ пространства состояний. На практике это снижает эффективность поиска, так как при больших графах требуются большие объемы вычислений. Кроме того, эвристический поиск с использование оценочной функции предполагает достоверное знание пространства состояний. Однако в реальной практике информация и факты обновляются. Старые факты устаревают. Поэтому даже исходные достоверные данные становятся недостоверными. Кроме того, они являются экспертными, то есть содержат элемент субъективности. Отсюда при таком подходе приходится иметь дело с оценками недостаточно полными и определенными. В современных условиях на процесс поиска влияет дефицит времени. Для преодоления дефицита времени используют методы, отличные от цепочек рассуждений называемых монотонными. Монотонными рассуждениями называют такие, для которых каждое последующее рассуждение е следует из предыдущего. Кроме того монотонность связана с тем, что направление результата операций зависит только от направления рассуждения. Специалисты используют немонотонные рассуждения, или методы качественных оценок, основанные на известных правилах вывода, закономерностях, связях и отношениях – для уменьшения элементарных и детальных рассуждений. Одним из таких методов является метод редукции Метод редукции [13]. Этот метод основан на упрощении поиска решения и сведении решения общей задачи к решению составляющих ее подзадач. Для представления исходной задачи в виде совокупности подзадач используется оператор перехода к новому описанию. Этот оператор преобразует исходную задачу таким образом, что при решении всех подзадач – преемников обеспечивается решение исходной задачи. Для представления исходной задачи может существовать множество операторов, каждый из которых порождает свою совокупность подзадач. Часть этих подзадач может оказаться неразрешимой. Для других подзадач процесс повторяется, т.е. их в свою очередь, также сводят к подзадачам. Это продолжается до тех пор, пока каждая подзадача не будет иметь очевидное решение. Исходная задача описывается графом состояний. Он имеет сложную структуру. Подзадачи рассматриваются как составные части сложного графа, которые отображают его части. Подзадачи, как элементы структуры, можно заменить дугами в общей схеме, вследствие чего структура исходного графа существенно упрощается. Процесс преобразования также удобно описывать с помощью графовых структур. Процесс поиска решения исходной задачи при таком описании представляет собой направленный граф редукции задач. На рис. 5 представлен упрощенный фрагмент (только три уровня) графа задачи S, которая сводится к решению задач 1, 2, 3, 4, 5. Решение 1 неизвестно – знак тупиковой вершины. Решение 4 существует – знак истинной вершины. Решения 2, 3, 5 не определены (кружочки) сводятся к решению задач 6, 7, 8, 9, 10, 11.

145

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

1 2 3 4 5

6 7 8 9 10 11

Рис. 5. Фрагмент исходного графа состояний

Решения 6, 9, 11 не определены (кружочки). Решения 8, 10 истинны, они определяют решение 3 и 5. Решение 7 тупиковое – неизвестно. На рис 6 представлен граф редукции этой задачи.

M1 M2 N1 N2 N3

Рис. 6. Граф редукции задач

В результате редукции исходный граф упрощается и сводится к двум новым задачам M1, M2 и трем задачам с известными решениями N1, N2, N3. Существующее пространство состояний обеспечивает частичное решение задачи S. Это решение может либо удовлетворить, либо не удовлетворить. В последнем случае требуется найти решение задач M1, M2, что приведет к полному решению задачи S.

Заключение В работе затронуты актуальные вопросы, связанные с реализацией методов моделирования выводов для интеллектуальных систем типа ИСППР. Рассмотрены основные способы моделирования выводов в плане их применения в ИСППР. Основное внимание уделено проблеме топологического построения моделей выводов. Вывод по правилам является привлекательным, потому что он подразумевает наличие формализованной задачи, для которой существуют логические методы поиска области истинности решения. Однако это достоинство и содержит недостаток – требование формализации области вывода. Метод применим, если возможно формализация. Поэтому для систем поддержки принятия решений различают два направления в развитии логического вывода знаний [14]: развитие систем логического вывода, основанного на правилах; развитие систем логического вывода, основанного на прецедентах. Второе направление является альтернативой, рассмотренному в данной статье, и позволяет решать задачи со слабо формализуемой областью.

Примечания: 1. Cheng A.Y., Cheng Y.L. Intelligent real-time graphic-object to database linking-actuator for enabling intuitive on-screen changes and control of system configuration: пат. 5706453 США. 1998. 2. Маркелов В.М., Соловьѐв И.В., Цветков В.Я. Интеллектуальные транспортные системы как инструмент управления // Государственный советник. 2014. №3. С. 42-49. 3. Цветков В.Я., Розенберг И.Н. Интеллектуальные транспортные системы – LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Germany 2012. 297 с.

146

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

4. Guerlain S., Brown D. E., Mastrangelo C. Intelligent decision support systems // Systems, Man, and Cybernetics, 2000 IEEE International Conference on. IEEE, 2000. Т. 3. p. 1934-1938. 5. Pearl J. Causality: models, reasoning and inference. Cambridge : MIT press, 2000. 6. Suzko A. A., Zakhariev B. N. Direct and inverse problems. Springer, 1990. 7. Doyle J.C. et al. State-space solutions to standard H 2 and H∞ control problems //Automatic Control, IEEE Transactions on. 1989. Т. 34. №. 8. p. 831-847. 8. Collins A., Michalski R. The logic of plausible reasoning: A core theory // Cognitive science. – 1989. Т. 13. №. 1. p. 1-49. 9. Tsvetkov V.Ya. Dichotomous Systemic Analysis. Life Science Journal 2014; 11(6). Рр. 586- 590. 10. Elsukov P.Y. Formation model of the structural model for the management of energy saving // Herald MSTU MIREA HERALD. 2014. № 3 (4). p. 135-145. 11. Slaney J., Fujita M., Stickel M. Automated reasoning and exhaustive search: Quasigroup existence problems //Computers & mathematics with applications. 1995. Т. 29. №. 2. p. 115-132. 12. Ginsberg M.L. Dynamic backtracking //arXiv preprint cs/9308101. 1993. 13. Kutcher G.J. et al. Histogram reduction method for calculating complication probabilities for three-dimensional treatment planning evaluations // International Journal of Radiation Oncology* Biology* Physics. 1991. Т. 21. №. 1. С. 137-146. 14. Каменнова М.С. Корпоративные информационные системы: технологии и решения. // Системы управления базами данных. 1995. № 3. с. 88-99.

References: 1. Cheng A. Y., Cheng Y. L. Intelligent real-time graphic-object to database linking-actuator for enabling intuitive on-screen changes and control of system configuration: пат. 5706453 США. 1998. 2. Markelov V.M., Soloviev B.V., Tsvetkov V. Ya. Intelligent transport systems as a management tool // State Advisor. 2014. №3. р.42-49. 3. Tsvetkov V. Ya., Rosenberg I,N. Intelligent Transport Systems – LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Germany 2012. 297 p. 4. Guerlain S., Brown D. E., Mastrangelo C. Intelligent decision support systems //Systems, Man, and Cybernetics, 2000 IEEE International Conference on. IEEE, 2000. Т. 3. p. 1934-1938. 5. Pearl J. Causality: models, reasoning and inference. Cambridge: MIT press, 2000. 6. Suzko A. A., Zakhariev B. N. Direct and inverse problems. Springer, 1990. 7. Doyle J. C. et al. State-space solutions to standard H 2 and H∞ control problems //Automatic Control, IEEE Transactions on. 1989. Т. 34. № 8. p. 831-847 8. Collins A., Michalski R. The logic of plausible reasoning: A core theory //cognitive science. 1989. Т. 13. №. 1. p. 1-49. 9. Tsvetkov V.Ya. Dichotomous Systemic Analysis. Life Science Journal 2014; 11(6). Рр. 586-590. 10. Elsukov P. Y. Formation model of the structural model for the management of energy saving // Herald MSTU MIREA HERALD. 2014. № 3 (4). с. 135-145. 11. Slaney J., Fujita M., Stickel M. Automated reasoning and exhaustive search: Quasigroup existence problems //Computers & mathematics with applications. 1995. Т. 29. №. 2. p.115-132. 12. Ginsberg M. L. Dynamic backtracking //arXiv preprint cs/9308101. 1993. 13. Kutcher G. J. et al. Histogram reduction method for calculating complication probabilities for three-dimensional treatment planning evaluations //International Journal of Radiation Oncology* Biology* Physics. 1991. Т. 21. №. 1. С. 137-146. 14. Kamennova MS Corporate information systems: technologies and solutions. // Database management system. 1995. № 3. p. 88-99.

147

Modeling of Artificial Intelligence, 2014, Vol.(3), № 3

УДК 004.8

Вывод в интеллектуальных системах

Виктор Яковлевич Цветков

Московский государственный технический университет радиотехники, электроники и автоматики МГТУ МИРЭА, Российская Федерация Доктор технических наук, профессор E-mail: [email protected]

Аннотация. Статья описывает методы автоматизированного получения решений в интеллектуальных системах. Статья описывает методы вывода на основе прямой и обратной цепочек. Показано различие между методом прямой цепочки и методом обратной цепочки. Статья описывает методы поиска решений в пространстве состояний. Дается различие между поиском в глубину и поиском в ширину. Описан метод бэктрекинга. Раскрывается содержание метода редукции. Показаны границы применимости методов и дается сравнение описанных методов с методом прецедентов. Ключевые слова: искусственный интеллект; правила вывода; графы; декомпозиция; решение проблем; формализация; интеллектуальные системы; интеллектуальные транспортные системы.

148