Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе
Рассматривается задача структурной адаптации алгоритмов. Представлены достаточно универсальные
 средства адаптации алгоритмов в составе различного прикладного программного обеспечения. Разработаны
 полнофункциональный редактор и специализированные средства отладки метаалгоритмов, под...
Збережено в:
| Дата: | 2009 |
|---|---|
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2009
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/8027 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе / В.И. Шинкаренко, Г.Г. Кроль, И.В. Литвин, Е.Г. Васецкий // Штучний інтелект. — 2009. — № 3. — С. 105-113. — Бібліогр.: 10 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860135712395886592 |
|---|---|
| author | Шинкаренко, В.И. Кроль, Г.Г. Литвин, И.В. Васецкий, Е.Г. |
| author_facet | Шинкаренко, В.И. Кроль, Г.Г. Литвин, И.В. Васецкий, Е.Г. |
| citation_txt | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе / В.И. Шинкаренко, Г.Г. Кроль, И.В. Литвин, Е.Г. Васецкий // Штучний інтелект. — 2009. — № 3. — С. 105-113. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| description | Рассматривается задача структурной адаптации алгоритмов. Представлены достаточно универсальные
средства адаптации алгоритмов в составе различного прикладного программного обеспечения. Разработаны
полнофункциональный редактор и специализированные средства отладки метаалгоритмов, подсистема
синтеза адаптивных алгоритмов. Подсистема анализа эффективности алгоритмов, основанная на
кластеризации методом максиминного расстояния, вырабатывает базу знаний и тем самым управляет
процессами синтеза и адаптации.
Розглядається задача структурної адаптації алгоритмів. Представлені достатньо універсальні засоби
адаптації алгоритмів у складі різноманітного прикладного програмного забезпечення. Розроблені
повнофункціональний редактор та спеціалізовані засоби відлагодження метаалгоритмів, підсистема
синтезу адаптивних алгоритмів. Підсистема аналізу ефективності алгоритмів, що базується на кластеризації
методом максимінної відстані, виробляє базу знань і тим самим керує процесами синтезу та адаптації.
The problem of structural adaptation of algorithms is considered. Universal tools for adaptation of algorithms
as a part of the various applied software are presented. The full-function editor and specialised debugger of
metaalgorithms, a subsystem of synthesis of adaptive algorithms are developed. The subsystem of the analysis
of algorithms efficiency works out the knowledge base and by that processes the synthesis and adaptation control.
The subsystem of the analysis grounded on clustering by a method maxmin distances.
|
| first_indexed | 2025-12-07T17:47:14Z |
| format | Article |
| fulltext |
«Штучний інтелект» 3’2009 105
2Ш
УДК 004.051:004.89:519.712.2
В.И. Шинкаренко, Г.Г. Кроль, И.В. Литвин, Е.Г. Васецкий
Днепропетровский национальный университет железнодорожного транспорта
имени академика В. Лазаряна, г. Днепропетровск, Украина
ccp@diit-70.dp.ua
Методы и средства структурной адаптации
алгоритмов на метаалгоритмической основе
Рассматривается задача структурной адаптации алгоритмов. Представлены достаточно универсальные
средства адаптации алгоритмов в составе различного прикладного программного обеспечения. Разработаны
полнофункциональный редактор и специализированные средства отладки метаалгоритмов, подсистема
синтеза адаптивных алгоритмов. Подсистема анализа эффективности алгоритмов, основанная на
кластеризации методом максиминного расстояния, вырабатывает базу знаний и тем самым управляет
процессами синтеза и адаптации.
Введение
Одним из определяющих атрибутов интеллекта, в том числе и искусственного,
является способность приспосабливаться к внешней среде, способность к адаптации.
Адаптивные алгоритмы в современном программном обеспечении узкоспециализи-
рованные. Они применяются для решения конкретных задач и разрабатываются с уче-
том характерных, специфических условий их применения. Так, алгоритмы сжатия
данных [1] учитывают особенности сжимаемых данных и статистическую информацию
об уже обработанных данных, нейросетевые алгоритмы распознавания и принятия
решений обучаются на характерной для режимов эксплуатации обучающей выборке.
Предложен подход к адаптации, при котором переход от универсальности к
специализации осуществляется автоматически [2]. Основным средством этого под-
хода является универсальный метаалгоритм. Метаалгоритм [1] – это специальным
образом заданный абстрактный алгоритм, на основе которого могут быть построены
конкретные алгоритмы, обобщенный алгоритм решения некоторой задачи. Он должен
включать возможности всех известных и в некоторых условиях эффективных алгорит-
мов решения задачи.
Вопросы моделирования метаалгоритмов в теории систем алгоритмических ал-
гебр интегрированными алгеброалгоритмическими моделями рассмотрены в [3-5]. Нами
выполнены аналогичные исследования средствами грамматико-алгоритмических
структур.
Целью данной работы является разработка методов и средств, которые позво-
лят синтезировать структурно адаптивные алгоритмы [1], [6], т.е. алгоритмы, которые
при изменении среды функционирования меняют свою структуру для повышения экс-
плуатационных характеристик, в первую очередь временной [7] и функциональной
эффективности [8]. ПО должно быть разработано так, чтобы была возможность его
включения в другие прикладные системы, повышая уровень их «интеллекта».
Шинкаренко В.И., Кроль Г.Г., Литвин И.В., Васецкий Е.Г.
«Искусственный интеллект» 3’2009 106
2Ш
Постановка задачи
Предложенная методика структурной адаптации алгоритмов [2] заключается в
циклическом процессе:
синтеза на основе метаалгоритма множества конкретных функционально эквивалент-
ных алгоритмов различной структуры;
выполнения их и измерения целевого показателя эффективности;
отбора конкурентоспособных алгоритмов и на основе анализа подготовка рекомен-
даций для последующего синтеза все более эффективных алгоритмов.
Процесс адаптации считается завершенным при достижении удовлетворитель-
ных значений показателя эффективности, либо при стабилизации процесса на некотором
не улучшаемом уровне эффективности.
Так как методология имеет метаалгоритмическую основу, возникает необходи-
мость автоматизированной поддержки методов разработки и отладки метаалгоритмов.
Сложность отладки метаалгоритма заключается в том, что непосредственно вы-
полнить алгоритм нельзя. Выполняются лишь синтезированные на его основе конкретные
алгоритмы. Ошибки в метаалгоритме опосредствованно проявляются в конкретных
алгоритмах. Возникает необходимость в программной среде, поддерживающей и уп-
рощающей процесс отладки метаалгоритмов.
Второй задачей является универсализация процесса структурной адаптации ал-
горитма, что должно стать предпосылкой для ее применения в различных прикладных
системах.
Средства разработки метаалгоритмов
Метаалгоритм строится на основе модифицированного метода пошаговой дета-
лизации: на первом шаге алгоритм записывается с помощью абстрактных операто-
ров (АО) и предикатов первого уровня и инструкций языка программирования (ЯП);
на втором шаге абстрактные операторы первого уровня расписываются (реализовы-
ваются) с помощью абстрактных операторов второго уровня и инструкций языка
программирования и т.д., пока алгоритм в виде программы не будет полностью запи-
сан с помощью инструкций языка программирования.
Модификация метода заключается в том, что абстрактные операторы могут иметь
несколько реализаций, каждая из которых может быть использована для синтеза кон-
кретных алгоритмов.
Для поддержки метода пошаговой детализации разработан редактор метаалго-
ритмов. На рис. 1 представлена основная форма редактора. Она позволяет вести учет
и контроль за последовательно разрабатываемыми реализациями АО. Форма разде-
лена на три части: нереализованные и реализованные АО и их спецификации.
Части нереализованных и реализованных АО соответствующим образом изме-
няются при разработке новых реализаций. Если при разработке реализации появляют-
ся новые АО, они добавляются в раздел нереализованных АО. Спецификации АО
определяют имя; количество параметров; имена параметров; описание (комментарии);
количество реализаций и их список; признак: является АО корневым (начальным).
Метаалгоритм формируется путем пошагового добавления реализаций АО. Для
этого выбирается АО из списков, реализованных или нереализованных, и в специфи-
кации выбирается пункт реализации.
Методы и средства структурной адаптации алгоритмов...
«Штучний інтелект» 3’2009 107
2Ш
Рисунок 1 – Форма учета и управления АО
В открывшемся окне можно просмотреть список реализаций и их свойства.
Свойства включают имя и код реализаций в виде операторов ЯП и других АО.
Редактор АО имеет достаточно полную функциональность. Он позволяет рабо-
тать с файлами (открыть/сохранить), буфером обмена, имеет средства отмены действий,
поиска и замены, визуального выделения синтаксических конструкций.
Выделение конструкций осуществляется согласно описанию ЯП средствами XML.
На рис. 2 приведен фрагмент описания ЯП C# и указано выделение препроцессорных
переменных (начиная с ##) полужирным начертанием и подчеркиванием.
Рисунок 2 – Визуальное выделение синтаксических конструкций
Код реализации (текст программы) нужно вводить на одном из предусмотрен-
ных языков программирования.
В реализации АО могут использоваться (вызываться) АО и абстрактные преди-
каты, как правило, следующего уровня детализации. Для вызова абстрактного опера-
тора используется следующий синтаксис:
$имя АО; имя параметра; … имя параметра.
Вызов абстрактного оператора должен начинаться с начала строки и быть единст-
венным в строке.
<Block Name="CS PreprocessorVariables"
Style="CS PreprocessorVariables"
EscapeChar="" IsMultiline="false">
<Scope Start="##" End="" />
</Block>
<Style Name="CS PreprocessorVariables"
ForeColor="Orange" BackColor="" Bold="true"
Italic="false" Underline="true" />
Описание стилей в формате XML Окно редактора метаалгоритмов
Шинкаренко В.И., Кроль Г.Г., Литвин И.В., Васецкий Е.Г.
«Искусственный интеллект» 3’2009 108
2Ш
После первого вызова абстрактного оператора или предиката он автоматически
добавляется в список нереализованных абстрактных операторов. Далее их также нуж-
но реализовать.
Так как АО могут использоваться в конкретных алгоритмах неоднократно, в
них могут быть использованы локальные переменные, для организации уникальнос-
ти имен используется аппарат препроцессорной обработки. Он также необходим для
организации множества переменных связующих АО.
Препроцессорная обработка заключается в выполнении препроцессорных опе-
раторов присваивания, ветвления и цикла после формирования текста конкретного
алгоритма, перед трансляцией.
Возможности препроцессорной обработки представлены в табл. 1.
Таблица 1 – Текст метаалгоритма и результаты его обработки препроцессором
Текст метаалгоритма
##a=3
##b=5
int a#a;
int b#b#a;
##a–1
##b+2
int a#a
int b#a=#b;
##a=3
##b=5
##if (#a;#b;<)
{
int a=3#b;
a=#b+#a;
}
##else
int b=#a;
##a=1
##b=9
##for (i;#a;#b;<;2)
{
int a#i;
}
Тот же текст после
препроцессорной
обработки
int a3;
int b53;
int a2;
int b2=7;
int a=35;
a=5+3;
int a1;
int a3;
int a5;
int a7;
Разработанный редактор метаалгоритмов реализует метод пошаговой детализации
разработки алгоритмов, заставляет программиста именно так и никак иначе разраба-
тывать метаалгоритм. В поддержку метода редактор позволяет выполнять навигацию
по уровням детализации, вдоль уровня, отслеживать текущий уровень и степень де-
тализации.
Средства отладки метаалгоритмов
В процессе разработки метаалгоритма возможно появление синтаксических и ло-
гических ошибок, которые необходимо устранить средствами тестирования и отладки.
Для автоматизации тестирования (а также и процесса адаптации) необходимо
использовать транслятор командной строки. Он позволяет построить автоматическую
циклическую последовательность:
синтез → трансляция → выполнение → проверка. (1)
На основе метаалгоритма может быть построено бесконечное множество конкрет-
ных алгоритмов [2], необходимым этапом является проверка правильности функцио-
нирования синтезированных алгоритмов. В большинстве случаев это не является
проблемой, и в большинстве случаев проверяющий алгоритм намного проще синтези-
рованного.
Так как любая реализация АО может быть не использована при синтезе конкрет-
ных алгоритмов, то ее ошибки могут проявляться не постоянно, а лишь в некоторых
из синтезированных алгоритмов. Цикл (1) позволяет выделить те синтезированные
конкретные алгоритмы, которые содержат ошибки.
Методы и средства структурной адаптации алгоритмов...
«Штучний інтелект» 3’2009 109
2Ш
Сложность отладки заключается в том, что ошибки появляются в конкретных
алгоритмах, а устранять их нужно в метаалгоритме, т.е. нужно установить обратную
связь между конкретным алгоритмом и метаалгоритмом. Для упрощения процесса
отладки разработан механизм продвижения сообщений об ошибках от транслятора в
командной строке до места ошибки (строки и позиции) в метаалгоритме (рис. 3).
Рисунок 3 – Средства продвижения сообщений об ошибке
Система синтеза при формировании конкретных алгоритмов создает специаль-
ный файл, который содержит информацию о порядке включения реализаций АО в
конкретный алгоритм. Согласно этой информации строится таблица соответствия
строк в конкретном алгоритме и метаалгоритме (рис. 3).
В случае наличия синтаксических ошибок цикл (1) прерывается после трансля-
ции. В редакторе алгоритмов можно просмотреть последний синтезированный алгоритм
(с визуальным выделением синтаксических конструкций). Сообщения о синтаксичес-
ких ошибках из перенаправленного выходного потока транслятора командной строки
выводятся на панель редактора. При выделении ошибки соответствующая строка в
конкретном алгоритме будет выделена цветом фона, а двойным щелчком открывает-
ся окно метаалгоритма с выделением соответствующей строки.
После устранения ошибки цикл (1) возобновляется.
В случае проявления логической ошибки в метаалгоритме цикл (1) прерывается
на проверке правильности синтезированного алгоритма. Синтезированный конкретный
алгоритм следует отладить традиционными средствами и внести соответствующую
правку в метаалгоритм.
Для равномерного покрытия всех операторов метаалгоритма тестирующими вы-
полнениями в цикле (1) на этапе отладки система синтеза равновероятно использует
все реализации каждого АО.
C:\ConsoleApplication> csc program.cs
program.cs(43,14): errorCS1002: ожидалась ;
Сообщения транслятора в командной строке
Редактор метаалгоритма
Номер реализации Р1 Р4 Р8
Начальная строка 26 30 32
Конечная строка 49 49 46
Редактор конкретного алгоритма
Таблица соответствия
Р8
Шинкаренко В.И., Кроль Г.Г., Литвин И.В., Васецкий Е.Г.
«Искусственный интеллект» 3’2009 110
2Ш
Организация процесса адаптации
Последовательность действий при выполнении адаптации можно выразить цик-
лической последовательностью:
синтез → трансляция → выполнение с измерениями → проверка → анализ. (2)
Синтез конкретных алгоритмов заключается в его пошаговом формировании.
Начиная с корневого, АО заменяются их реализациями. Выбор конкретных реализа-
ций из числа альтернативных осуществляется на основе рекомендаций подсистемы
анализа.
По каждому синтезированному алгоритму в базу данных заносятся два вектора.
Первый содержит информацию о структуре синтезированного алгоритма – последо-
вательность реализаций, вошедших в конкретный алгоритм. Он нужен для после-
дующего восстановления лучшего (адаптированного) алгоритма, т.к. тексты всех
синтезированных алгоритмов не хранятся. Второй вектор содержит информацию о
количестве вхождений каждой реализации в конкретный алгоритм. Он используется
системой анализа.
Измерительная система формирует базу знаний в виде:
информация о структуре синтезированного алгоритма →
значение показателя качества.
Анализ эффективности алгоритмов выполняется после накопления достаточной
статистической информации (после 50 … 200 выполнений синтезированных алгорит-
мов) и периодически повторяется при ее значительном пополнении.
Все реализации абстрактных операторов имеют рекомендуемую вероятность их
использования в конкретном алгоритме. Задача подсистемы анализа заключается в
приведении в соответствие рекомендуемых вероятностей с их эффективностью. Пер-
воначально рекомендуемые вероятности реализаций каждого отдельного АО одина-
ковы. По результатам анализа рекомендуемая вероятность более полезных реализаций
повышается, остальных – понижается.
Посредством рекомендуемых вероятностей использования реализаций АО осу-
ществляется управление синтезом.
Анализ эффективности алгоритмов
Формально задачу нахождения адаптируемого алгоритма можно сформулиро-
вать следующим образом. Необходимо найти алгоритм
)(min)(: BtAtA
B
, (3)
где – множество функционально эквивалентных алгоритмов решения некоторой
задачи, которые могут быть построены на основе заданного метаалгоритма; )(At –
значение показателя эффективности алгоритма A на заданном множестве входных
данных (время выполнения, степень сжатия данных и т.п.).
Точное решение задачи (3) возможно только методом перебора. Такой метод
является неприемлемым из-за большого количества возможных алгоритмов и вход-
ных данных. Для решения задачи применен метод направленного случайного поиска.
Разработан алгоритм на основе максиминного метода кластеризации [9].
Рассмотрим методику определения рекомендуемых вероятностей.
Методы и средства структурной адаптации алгоритмов...
«Штучний інтелект» 3’2009 111
2Ш
Рекомендации основываются на допущении, что чем больше используется реали-
зация АО в наиболее эффективном алгоритме, тем она эффективнее и её чаще нужно
использовать.
Рекомендуемые вероятности определяются в три этапа. Первый – предваритель-
ная обработка, второй – кластеризация, третий – расчет рекомендуемых вероятностей.
На этапе предварительной обработки файла отчета, для каждого r -го выполнения
адаптируемого алгоритма из отчета определяется значение показателя эффективности
)(rt . 50% худших по целевому показателю алгоритмов отбрасывается. Определяется
количество включений в каждый r -й выполненный алгоритм каждой k -й реализа-
ции АО rkQ , (сквозная нумерация всех реализаций всех АО).
Все rkQ , нормализуются:
rkrrkr
rkrrk
rk QQ
QQ
Q
,,
,,
, minmax
min
. (4)
На этапе кластеризации все алгоритмы разбиваются на кластеры – группы, имею-
щие какие-то свои структурные особенности.
Образ алгоритма в n определяется в виде вектора ],[)( ,,, 21 rkrkrkr n
QQQAq , где
n – количество всех реализаций всех АО в метаалгоритме.
Расстояние между образами алгоритмов xA и yA определяется как:
k
ykxkyx QQAA 2
,, )(),( . (5)
Ищется множество центров кластеров I . Находятся два максимально удален-
ных друг от друга образа алгоритмов. Они принимаются за центры двух начальных
кластеров. Далее последовательно ищутся точки:
)),((min(max),((min:)( jiIAAziIAz AAAAAq
iji
.
Если
),((min ziIA
AA
i
jiIAA
ji
ji
AA
,,
),(
2
1 , точка )( zAq принимается за новый центр
кластера и алгоритм zA добавляется к множеству I , в противном случае формирова-
ние множества I закончено и остальные точки разносятся к кластерам по критерию
минимума расстояния.
На третьем этапе рекомендуемые вероятности определяются следующим обра-
зом. Пусть iF – множество алгоритмов, принадлежащих i -му кластеру,
F – множества
алгоритмов, принадлежащих лучшему по среднему значению показателя эффектив-
ности кластеру; худший показатель эффективности алгоритма, принадлежащего луч-
шему кластеру:
)(maxmax r
FA
tt
r
; (6)
лучший показатель эффективности алгоритмов:
)(minmin rA
tt
r
. (7)
Шинкаренко В.И., Кроль Г.Г., Литвин И.В., Васецкий Е.Г.
«Искусственный интеллект» 3’2009 112
2Ш
Основываясь на том, что если алгоритм не хуже худшего из лучшего кластера,
его можно считать конкурентоспособным, относительное качество алгоритма опреде-
лим как
.,0
,1 max
minmax
max
случаепротивномв
ttесли
tt
tt
l r
r
r (8)
Относительное качество алгоритмов в кластере r определим как:
.
ri FA
ir lP (9)
Рекомендуемая вероятность использования кластера как образца для синтеза
адаптивного алгоритма:
.
i
i
r
r
P
PP (10)
Если во всех кластерах, кроме лучшего, нет конкурентоспособных алгоритмов,
рекомендуемая вероятность лучшего кластера будет равна единице, остальных – нулю.
Рекомендуемая вероятность применения АО kjiO ,, , при условии выбора z -го
кластера, будет:
k
k
k
k
P
PP , где
zx FA
xxkk lQP )( , . (11)
Заключение
Разработанные методы структурной адаптации алгоритмов и соответствующие
программные средства апробированы на алгоритмах сортировки и сжатия данных.
Получена сходимость процесса адаптации после 150 … 300 синтезированных алго-
ритмов.
Апробирована возможность изменения показателя эффективности алгоритмов,
в качестве которого использовались время выполнения и степень сжатия данных.
Универсальность разработанных средств обеспечивается описанием синтакси-
са ЯП средствами XML. Для изменения ЯП необходимо наличие соответствующего
транслятора в командной строке, описание синтаксиса в XML формате и, возможно,
преобразователя формата сообщений об ошибках транслятора. Выполнена апробация
для ЯП Паскаль и C#.
Разработанные средства позволяют выполнять и альтернативную адаптацию [10],
как частный случай структурной.
Правильное применение предложенного метода структурной адаптации алгоритмов
и разработанных программных средств позволяет исключить возможность ухудше-
ния показателей эффективности алгоритмов. Однако вопросы, связанные с эффектив-
ностью процесса адаптации и его сходимостью, еще не достаточно изучены. Предстоит
Методы и средства структурной адаптации алгоритмов...
«Штучний інтелект» 3’2009 113
2Ш
исследовать условия сходимости, скорость сходимости и факторы, на нее влияющие,
и другие характеристики процесса адаптации.
Литература
1. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / [Ватолин Д.,
Ратушняк А., Смирнов М., Юкин В.]. – М. : Диалог-МИФИ, 2002. – 384 с.
2. Шинкаренко В.И. Структурная адаптация алгоритмов на основе полиморфизма / В.И. Шинкарен-
ко // Математические машины и системы. – 2009. – № 2. – С. 28-44.
3. Цейтлин Г.Е. Введение в алгоритмику / Цейтлин Г.Е. – К. : Сфера, 1998. – 310 с.
4. Яценко О.А. Розробка інтегрованих алгебро-алгоритмічних моделей: елементи теорії, інструментарій,
застосування : Автореф. дис. на здобуття наук. ступеня канд. фіз.-мат. наук: 01.05.03 / О.А. Яцен-
ко / Київський національний ун-т ім. Тараса Шевченка. – К., 2005. – 17 с.
5. Алгеброалгоритмические модели и методы параллельного программирования / [Андон Ф.И., Доро-
шенко А.Е., Цейтлин Г.Е., Яценко Е.А.]. – К. : Акакдемпериодика, 2007. – 634 с.
6. Растригин Л.А. Адаптация сложных систем / Растригин Л.А. – Рига : Зинатне, 1981. – 375 с.
7. Шинкаренко В.И. Сравнительный анализ временной эффективности функционально эквивалент-
ных алгоритмов / В.И. Шинкаренко // Проблемы программирования. – 2001. – № 3-4. – С. 31-39.
8. Шинкаренко В.И. Функциональная эффективность нечетко специфицированных алгоритмов /
В.И. Шинкаренко // Проблемы программирования. – 2006. – № 1 – С. 24-33.
9. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес – 1978. – 411 с.
10. Шинкаренко В.И. Знание-ориентированный подход к адаптации алгоритмов / В.И. Шинкаренко //
Искусственный интеллект. – 2008. – № 3. – С. 388-397.
В.І. Шинкаренко, Г.Г. Кроль, І.В. Литвин, Є.Г. Васецький
Методи та засоби структурної адаптації алгоритмів на метаалгоритмічній основі
Розглядається задача структурної адаптації алгоритмів. Представлені достатньо універсальні засоби
адаптації алгоритмів у складі різноманітного прикладного програмного забезпечення. Розроблені
повнофункціональний редактор та спеціалізовані засоби відлагодження метаалгоритмів, підсистема
синтезу адаптивних алгоритмів. Підсистема аналізу ефективності алгоритмів, що базується на кластеризації
методом максимінної відстані, виробляє базу знань і тим самим керує процесами синтезу та адаптації.
V.I. Shynkarenko, G.G. Krol, I.V. Litvin, Ye.G. Vasetsky
Methods and Tools for Structural Adaptation of Algorithms Based on a Metaalgorithm
The problem of structural adaptation of algorithms is considered. Universal tools for adaptation of algorithms
as a part of the various applied software are presented. The full-function editor and specialised debugger of
metaalgorithms, a subsystem of synthesis of adaptive algorithms are developed. The subsystem of the analysis
of algorithms efficiency works out the knowledge base and by that processes the synthesis and adaptation control.
The subsystem of the analysis grounded on clustering by a method maxmin distances.
Статья поступила в редакцию 22.06.2009.
|
| id | nasplib_isofts_kiev_ua-123456789-8027 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T17:47:14Z |
| publishDate | 2009 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Шинкаренко, В.И. Кроль, Г.Г. Литвин, И.В. Васецкий, Е.Г. 2010-04-26T15:46:33Z 2010-04-26T15:46:33Z 2009 Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе / В.И. Шинкаренко, Г.Г. Кроль, И.В. Литвин, Е.Г. Васецкий // Штучний інтелект. — 2009. — № 3. — С. 105-113. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8027 004.051:004.89:519.712.2 Рассматривается задача структурной адаптации алгоритмов. Представлены достаточно универсальные
 средства адаптации алгоритмов в составе различного прикладного программного обеспечения. Разработаны
 полнофункциональный редактор и специализированные средства отладки метаалгоритмов, подсистема
 синтеза адаптивных алгоритмов. Подсистема анализа эффективности алгоритмов, основанная на
 кластеризации методом максиминного расстояния, вырабатывает базу знаний и тем самым управляет
 процессами синтеза и адаптации. Розглядається задача структурної адаптації алгоритмів. Представлені достатньо універсальні засоби
 адаптації алгоритмів у складі різноманітного прикладного програмного забезпечення. Розроблені
 повнофункціональний редактор та спеціалізовані засоби відлагодження метаалгоритмів, підсистема
 синтезу адаптивних алгоритмів. Підсистема аналізу ефективності алгоритмів, що базується на кластеризації
 методом максимінної відстані, виробляє базу знань і тим самим керує процесами синтезу та адаптації. The problem of structural adaptation of algorithms is considered. Universal tools for adaptation of algorithms
 as a part of the various applied software are presented. The full-function editor and specialised debugger of
 metaalgorithms, a subsystem of synthesis of adaptive algorithms are developed. The subsystem of the analysis
 of algorithms efficiency works out the knowledge base and by that processes the synthesis and adaptation control.
 The subsystem of the analysis grounded on clustering by a method maxmin distances. ru Інститут проблем штучного інтелекту МОН України та НАН України Интеллектуальный анализ данных Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе Методи та засоби структурної адаптації алгоритмів на метаалгоритмічній основі Methods and Tools for Structural Adaptation of Algorithms Based on a Metaalgorithm Article published earlier |
| spellingShingle | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе Шинкаренко, В.И. Кроль, Г.Г. Литвин, И.В. Васецкий, Е.Г. Интеллектуальный анализ данных |
| title | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| title_alt | Методи та засоби структурної адаптації алгоритмів на метаалгоритмічній основі Methods and Tools for Structural Adaptation of Algorithms Based on a Metaalgorithm |
| title_full | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| title_fullStr | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| title_full_unstemmed | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| title_short | Методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| title_sort | методы и средства структурной адаптации алгоритмов на метаалгоритмической основе |
| topic | Интеллектуальный анализ данных |
| topic_facet | Интеллектуальный анализ данных |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/8027 |
| work_keys_str_mv | AT šinkarenkovi metodyisredstvastrukturnoiadaptaciialgoritmovnametaalgoritmičeskoiosnove AT krolʹgg metodyisredstvastrukturnoiadaptaciialgoritmovnametaalgoritmičeskoiosnove AT litviniv metodyisredstvastrukturnoiadaptaciialgoritmovnametaalgoritmičeskoiosnove AT vaseckiieg metodyisredstvastrukturnoiadaptaciialgoritmovnametaalgoritmičeskoiosnove AT šinkarenkovi metoditazasobistrukturnoíadaptacííalgoritmívnametaalgoritmíčníiosnoví AT krolʹgg metoditazasobistrukturnoíadaptacííalgoritmívnametaalgoritmíčníiosnoví AT litviniv metoditazasobistrukturnoíadaptacííalgoritmívnametaalgoritmíčníiosnoví AT vaseckiieg metoditazasobistrukturnoíadaptacííalgoritmívnametaalgoritmíčníiosnoví AT šinkarenkovi methodsandtoolsforstructuraladaptationofalgorithmsbasedonametaalgorithm AT krolʹgg methodsandtoolsforstructuraladaptationofalgorithmsbasedonametaalgorithm AT litviniv methodsandtoolsforstructuraladaptationofalgorithmsbasedonametaalgorithm AT vaseckiieg methodsandtoolsforstructuraladaptationofalgorithmsbasedonametaalgorithm |