Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных

Для модели вычислительного процесса обосновано использование значимых характеристик сигналов и алгоритмов их обработки на основе экспертных оценок. Предложено аналитическое выражение целевой функции, в которую входят параметры как обрабатываемого сигнала, так и характеристики используемого алгори...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2009
Автори:	Литвинская, О.С., Сальников, И.И.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2009
Теми:	Системы принятия решений, планирования и моделирования
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/8029
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:	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных / О.С. Литвинская, И.И. Сальников // Штучний інтелект. — 2009. — № 3. — С. 115-125. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859661566059741184
author	Литвинская, О.С. Сальников, И.И.
author_facet	Литвинская, О.С. Сальников, И.И.
citation_txt	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных / О.С. Литвинская, И.И. Сальников // Штучний інтелект. — 2009. — № 3. — С. 115-125. — рос.
collection	DSpace DC
description	Для модели вычислительного процесса обосновано использование значимых характеристик сигналов и алгоритмов их обработки на основе экспертных оценок. Предложено аналитическое выражение целевой функции, в которую входят параметры как обрабатываемого сигнала, так и характеристики используемого алгоритма. Разработана программа для решения задачи выбора средства реализации алгоритмов, проведены численные эксперименты, подтверждающие основные теоретические результаты работы. Разработанный метод позволяет обоснованно с использованием количественных оценок выбрать варианты реализации специализированных устройств цифровой обработки последовательных потоков данных. Для моделі обчислювального процесу обґрунтовано використання значущих характеристик сигналів та алгоритмів їх обробки на основі експертних оцінок. Запропоновано аналітичний вираз цільової функції, в яку входять параметри як оброблюваного сигналу, так і характеристики використовуваного алгоритму. Розроблена програма для розв’язання задачі вибору засобу реалізації алгоритмів, наведені числові експерименти, які підтверджують основні теоретичні результати роботи. Розроблений метод дозволяє обґрунтовано з використанням кількісних оцінок вибрати варіанти реалізації спеціалізованих пристріїв цифрової обробки послідовних потоків даних.
first_indexed	2025-11-30T10:32:06Z
format	Article
fulltext	«Штучний інтелект» 3’2009 115 3Л УДК 004.02 О.С. Литвинская, И.И. Сальников Пензенская государственная технологическая академия, г. Пенза, Россия los@pgta.ac.ru Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных Для модели вычислительного процесса обосновано использование значимых характеристик сигналов и алгоритмов их обработки на основе экспертных оценок. Предложено аналитическое выражение целевой функции, в которую входят параметры как обрабатываемого сигнала, так и характеристики используемого алгоритма. Разработана программа для решения задачи выбора средства реализации алгоритмов, проведены численные эксперименты, подтверждающие основные теоретические результаты работы. Разработанный метод позволяет обоснованно с использованием количественных оценок выбрать варианты реализации специализированных устройств цифровой обработки последовательных потоков данных. Введение Задачи принятия решений (ЗПР) встречаются во многих областях знаний и от- личаются большим разнообразием. ЗПР имеет место тогда, когда необходимо совер- шить выбор лучшего в определенном смысле варианта среди существующего множества альтернатив. Любой выбор связан с процессом обработки информации об альтернативах, о критериях качества, о возможных исходах, о системах предпочтений и способах отображения множества допустимых альтернатив в множество критериальных оце- нок возможных исходов. Предлагаемая работа является применением теории систем поддержки принятия решений (СППР) в области оптимального проектирования спе- циализированных цифровых устройств обработки данных. Разработан метод выбора средства реализации исходного алгоритма, основанный на сравнении значения целевой функции для конкретного вычислительного процесса и значения целевой функции соответствующей модели алгоритма. Цель работы и постановка задачи Применение теории систем поддержки принятия решений в области оптималь- ного проектирования специализированных цифровых устройств обработки данных для разработки метода выбора средства реализации алгоритма последовательной обработ- ки данных. Для достижения поставленной цели необходимо решить следующие общие задачи: – систематизировать исходные данные, сформировать характеристики, определяемые группами параметров; – разработать метод принятия решений как активную СППР с использованием кри- терия, основанного на анализе целевой функции; – разработать программную реализацию СППР, использующую разработанный метод. Литвинская О.С., Сальников И.И. «Искусственный интеллект» 3’2009 116 3Л Система принятия решений о выборе варианта реализации алгоритма В зависимости от вида ЗПР подразделяют на следующие категории: – задачи в условиях определенности, которые характеризуются полной и точной (как правило, количественной) исходной информацией и детерминированным отображе- нием множества альтернатив в множество критериальных оценок, то есть имеется адекватное математическое описание проблемы. Для решения таких задач применя- ются методы математического программирования; – задачи в условиях риска, когда возможные исходы можно описать с помощью не- которого вероятностного распределения, для построения которого необходимо иметь статистические данные или экспертные оценки. Обычно для решения задач этого типа применяются методы теории полезности; – задачи в условиях неопределенности, когда исходная информация является неполной, неточной, неколичественной, а вид формального отображения является либо слишком сложным, либо не известен. В таких случаях для решения ЗПР привлекаются знания экспертов. Для представления и обработки этих знаний используются различные ме- тоды прикладной теории принятия решений и методы искусственного интеллекта. В работе предполагается применить положения теории систем поддержки при- нятия решений (СППР) применительно к области оптимального проектирования спе- циализированных цифровых устройств обработки сигналов. В настоящее время СППР успешно развиваются в области экономики и управления. Применение подходов, ис- пользуемых в СППР для решения технических задач, развито слабо. Выбор средства реализации алгоритмов обработки сигналов – один из важных вопросов, решение которого определяет основные взаимосвязанные показатели качества проектируемой информационной системы, такие как быстродействие, надежность, помехоустойчивость, габариты, масса и потребляемая мощность. Поэтому представляет интерес сравнитель- ная оценка современных интегральных технологий и задача разработки СППР для выбора и обоснования средства реализации специализированных систем обработки сигналов. Сравнительная оценка предполагает наличие оптимизации некоторой целевой функции, которая позволяет выразить необходимые характеристики сигналов и алго- ритмов в виде числовых зависимостей. В работе предполагается привести ряд решений, которые позволили бы количественно оценить характеристики обрабатываемого сигнала и реализуемого алгоритма и на основе этих оценок сформировать целевую функцию. Задачи выбора при проектировании специализированных цифровых устройств обработки данных в условиях неопределенности, когда нет полной (как правило, коли- чественной) исходной информации, сводятся к адекватному математическому описанию проблемы. В этом случае детерминированное отображение множества альтернатив в множество критериальных оценок осуществляется посредством использования мате- матических моделей. Рост числа влияющих факторов приводит к необходимости ав- томатизации процедуры выбора средств реализации алгоритмов. В работе описывается разработанная СППР применительно к выбору микро- контроллеров для цифровой обработки последовательных во времени сигналов. Применение целевой функции в системе поддержки принятия решений... «Штучний інтелект» 3’2009 117 3Л Метод выбора Основан на формировании целевой функции модели вычислительного про- цесса (м ) ВП , имеющей вид  (м) (м) ВП ВП 1 2 1 2, ,... \| , ,...m mX X X     , (1) которая зависит от множества параметров  mХХХ ,...,, 21 и максимальных значений этих параметров  1 2 m, ,...,   . Целевая функция представляется как функционал, определенный на множестве возможных решений, и при оптимизации необходимо найти решение, обеспечиваю- щее максимум этого функционала. Целевая функция будет зависеть от частных параметров моделей алгоритмов и характеристик сигналов, таких как динамический диапазон входного сигнала DS, влияю- щий на формат представления входных данных; скорость потока данных, характери- зуемая количеством отсчетов обрабатываемого сигнала в единицу времени ПS ; вид преобразования в виде параметра трансформации отсчетов NТО; параметр сложности алгоритма CАЛ; количество вычислительных операций NОП; время выполнения опе- раций в алгоритме ТВО; а также параметры, влияющие на выбор непосредственно микроконтроллеров: производительность РМ, разрядность шины данных NШД, разряд- ность шины адреса NША и объем внутренней памяти программы микроконтроллера RМ. Все параметры, входящие в (1), имеют различные физические единицы измере- ния. Выполнив нормирование проанализированных параметров  ТО АЛ ОП ВО М ШД ША Мi S SX D ,П ,N ,C ,N ,T ,P ,N ,N ,R (2) по множеству характеристических свойств  ТО АЛ ША МВО МОП ШДS Si D П N C N T P N N R, , , , , , , , ,           , (3) получим множество нормированных безразмерных параметров:  ТО ОП ВО М ШД ША МАЛS S i i i D П N C N T P N N R i ХК ; К К ,К ,К ,К ,К ,К ,К ,К ,К ,К    . (4) При выборе средства реализации заданного алгоритма в целевой функции (1) не будут учитываться такие показатели, как эксплуатационные характеристики, надеж- ность, технологичность, габаритно-массовые и экономические показатели. Учтены лишь наиболее важные технические параметры проектируемого устройства в виде множества нормированных коэффициентов (4). Нормированные коэффициенты Рассмотрим подробнее нормированные коэффициенты, которые формируются из исходных характеристик сигнала, параметров реализуемого алгоритма и требова- ний к проектируемому устройству: – коэффициент динамического диапазона SDК входного сигнала S(t) определяется динамическим диапазоном в виде DS = Smax – Smin. В цифровых системах DS опре- деляется числом уровней квантования NS = DS/Smin входного сигнала. Для коэффи- циента динамического диапазона необходимо учесть соотношение разрядности Литвинская О.С., Сальников И.И. «Искусственный интеллект» 3’2009 118 3Л формата входного потока данных ШД,ВХn и разрядности шины данных вычислитель- ной системы ШД,ВCn : ШД,ВС ШД,ВХ ШД,ВХ ШД,ВС ШД,ВХ ШД,ВС lg , lg (2 1) ,S S D S N при n n K n N при n n n              ; (5) – коэффициент последовательного потока данных SПК , определяющий временные характеристики входного сигнала, а именно скорость поступления отсчетов входного сигнала. С учетом условия теоремы Котельникова, которая связывает интервал дискре- тизации ∆ti с максимальной частотой Fmax в спектре сигнала, а также, пронормировав скорость потока данных ПS по минимальному значению максимальной частоты Fmax,min и сжав этот диапазон с помощью десятичного логарифма, получим выражение: ШД,ВХ max / 2 max,min max,min max,min min lg lg lg 2 log 4S S S S N П i nП F D HK F F t F S                             , (6) где НS/N – отношение сигнал-шум; – коэффициент трансформации отсчетов, учитывающий вид преобразования вход- ного массива данных. Для оценки вида преобразования предлагается использовать параметр трансформации отсчетов входного сигнала NТО – как отношение коли- чества отсчетов выходных сигналов результата преобразования NL,M к количеству отсчетов исходного входного сигнала NI,J : NTO = NL,M / NI,J. (7) Он зависит от используемого алгоритма и не связан с технической реализацией пре- образования. В работе все виды алгоритмов разделены на три: управляющие, вычис- лительные и преобразовательные. Для управляющих и вычислительных алгоритмов каждый отсчет входного сигнала порождает соответствующий отсчет результата SK(ti) → SK,ВЫХ(ti), при этом NТО = 1. Преобразовательные алгоритмы выполняют бо- лее сложные трансформации отсчетов над массивами данных. В работе рассмотрены следующие виды преобразований: – моноэлементные, когда один входной сигнал порождает один выходной, то есть Si,j  Sl,m. При этом NТО = 1. Примером такого вида преобразования может служить алгоритм бинаризации входного изображения; – биэлементные преобразования, когда для получения каждого выходного сигнала используются два входных: Si,j → Sl,m ← Sp,q, например, алгоритм перемножения двух сигналов. Для таких алгоритмов NТО = 0,5; – полиэлементные преобразования, когда один выходной сигнал порождается совокуп- ностью входных отсчетов, то есть Sl,m = f{Si,j }. Коэффициент трансформации входных данных будет равен NTO = 1/ NI,J, то есть NТО << 1. Примерами такого преобразования могут быть алгоритмы вычисления среднего значения сигнала, алгоритмы вычисления пространственных характеристик изображений объектов – площади, периметра, коор- динат центра тяжести, координат описанного прямоугольника, момент инерции и т.д. Поскольку параметр NТО может принимать значения от 1 до 10-6 , то необходимо сжать этот диапазон используя десятичный логарифм. Тогда коэффициент трансфор- мации отсчетов примет вид:  lg 1/ ТОN TOK N ; (8) Применение целевой функции в системе поддержки принятия решений... «Штучний інтелект» 3’2009 119 3Л – коэффициент сложности алгоритма, учитывающий общее число операций в алго- ритме и их коэффициенты сложности: ОП ОПC, ОП, i=1 lg АЛ N C i i NK K P K          , (9) где КNоп – коэффициент числа операций; С, 0/ 1i ОПК T T  – коэффициент сложности i-операции, в котором определен некоторый условный тактовый период Т0 и время выполнения операции ТОП. При определении сложности алгоритма необходимо учесть вероятность появления той или иной операции PОП,i в различных видах алгоритмов. Используется следующее разделение видов алгоритмов: преобразовательные алгоритмы (ПА); вычислительные алгоритмы (ВА); управляющие алгоритмы (УА). В табл. 1 приведены результаты подсчетов числа типов операций для основных ви- дов алгоритмов, из которой следует, что характерными операциями управляющих алгоритмов являются условные и безусловные операции передачи управления, опе- рации выбора и логические операции. Характерными операциями вычислительных алгоритмов являются арифметические, логические операции, операция присваивания, а также циклические конструкции. Характерными операциями преобразовательного вида алгоритма являются операции замены, арифметические и логические операции, операции присваивания; – коэффициент числа операций в алгоритме определяется числом операций NОП, которое может быть очень большим. Поэтому его необходимо использовать, как деся- тичный логарифм: ОП ОПlgNK N . (10) Таблица 1 – Распределение вероятностей использования операций в различных видах алгоритмов Виды алгоритмов Типы операций и РОП,i Управляющие Вычислительные Преобразовательные Всего операций 4513 678 418 Пересылки в % Пересылка в регистр 16,8 11,4 10,2 Обращение к памяти 29,6 24,1 20,1 Обращение к стеку 0,75 0,5 0 Ввод\вывод 10,4 2,4 0,7 Преобразовательные в % Сдвиги 0,9 0,4 0 Логические 14,1 10,1 8,4 Арифм. аддитивные 7,8 21,5 28,5 Арифм. мультипликативные 1,1 12,6 1,9 Передачи управления в % Условный/безусловный 11,3 12,1 8,1 Вызов подпрограмм 2,6 0,9 8,8 Возврат из подпрограмм 2,6 0,9 8,8 Циклы 1,8 3,01 4,3 Другие 0,25 0,09 0,2 Литвинская О.С., Сальников И.И. «Искусственный интеллект» 3’2009 120 3Л Разделение нормированных коэффициентов на группы Разделим множество (4) на группы нормированных коэффициентов частных па- раметров по их функциональному назначению, для каждой из которой сформируем соответствующие обобщенные нормированные коэффициенты: – обобщенный коэффициент информационных характеристик сигнала КИХС бу- дет включать в себя группу нормированных коэффициентов, описывающих характе- ристики входного сигнала: коэффициент динамического диапазона входного сигнала SDК и коэффициент скорости потока данных SПК :  ИХС , S SD ПK К К ; (11) – обобщенный коэффициент, характеризующий алгоритм, КАЛ включает в себя группу нормированных коэффициентов, описывающих алгоритм обработки входного сигнала: коэффициенты трансформации отсчетов ТОNК , коэффициент сложности алгоритма АЛ CК , коэффициент количества вычислительных операций ОПNК :  ТО ОПАЛАЛ ВА, , ,N C NK К К К К , (12) где ВАК – коэффициент вида алгоритма, равный 1 для управляющего алгоритма, 2 – для вычислительного алгоритма и 3 – для преобразовательного алгоритма; – обобщенный коэффициент реального времени KРВ, учитывающий коэффициент времени выполнения операций в алгоритме ВОТК , коэффициент тактовой частоты 0FК , коэффициент числа ступеней конвейера CKNK :  ВО 0 CKРВ , ,T F NK К К K . (13) Для случая отсутствия конвейера используется упрощенная формула для коэф- фициента реального времени, учитывающая заданное время выполнения операций в алгоритме TВО по отношению ко времени ввода ТВВ: ВВ РВ ВОВО ВЫВ ВВ 1 1 ТK ТТ Т Т     . (14) Для КРВ →1 время выполнения операций в алгоритме ТВО→0 и ТВЫВ = ТВВ, то есть система работает в реальном времени; – обобщенная характеристика модели (м) ОБ формируется на основе множества част- ных параметров iК из (4), которые относятся к характеристикам выбираемого мик- роконтроллера: коэффициент производительности МPК , коэффициент разрядности шины данных ШДNК , коэффициент разрядности шины адреса ШАNК и коэффициент объема внут- ренней памяти программ микроконтроллера МRК . Данные коэффициенты необходимо связать некоторой функцией, которая будет служить обобщенной характеристикой формируемой модели  М ШД ША М ( ) ( ) , , ,М М ОБ ОБ P N N RК К К К  . (15) Применение целевой функции в системе поддержки принятия решений... «Штучний інтелект» 3’2009 121 3Л В первом приближении функцией, объединяющей нормированные коэффициен- ты частных параметров в (11), (12), (13) и (15), может быть сумма, где присутствуют нормированные частные параметры и весовые коэффициенты каждого из параметров: (м) ОБ NП i i П i 1 1 q КN    , (16) где NП – число параметров; qi – весовой коэффициент параметра. Весовые коэффициенты qi определяются исходя из доли влияния каждого отдель- ного параметра iК на обобщенную характеристику (м) ОБ . Деление на NП позволяет пронормировать обобщенную характеристику по количеству обобщенных параметров. Вид целевой функции Целевая функция должна удовлетворять ряду условий: – областью определения должно быть множество положительных значений; – целевая функция может либо монотонно возрастать до некоторого максимального значения, либо монотонно убывать до минимального значения, то есть иметь «насы- щение»; – целевая функция может иметь один экстремум, по которому даются рекомендации по выбору объекта. Разделим целевые функции на два класса: гладкие, которые имеют «насыщение», и экстремальные. Причем, используя функции с экстремальными значениями в ка- честве целевой функции, получаем дополнительную возможность по выбору варианта реализации. Положение экстремума дает оптимальное значение аргумента при задан- ных исходных параметрах. Примером экстремальных функций могут быть следующие: Гладкие функции с «насыщением»: – степенная функция – наиболее подходящим видом может служить: 11 , для 0, ( 1)( ) , для 0, р р р хf х х р        (17) которая при p < 0 стремится к 0, а при p > 0 – к единице, то есть к насыщению; – показательная функция – для целевой функции можно использовать f(x) = ха , при а < 1, так как при этом f(x) →0, а для 1a следует поставить показательную функцию в знаменатель дроби: 11 , для 1, ( ) , для 1; х х а f х а а а       (18) – логарифмическая функция – в чистом виде эту функцию использовать нельзя, так как она имеет отрицательные значения при 0 < х < 1. Кроме того, необходимо иметь «насыщение». Это дает следующий вид: , )1(log 1 2log 1)(   x xf aa (19) для а >1, x >1 значение функции будет стремиться к значению 2log 1)(lim ax xf   ; Литвинская О.С., Сальников И.И. «Искусственный интеллект» 3’2009 122 3Л – экспоненциальная функция. Выражение целевой функции в виде экспоненциальной зависимости имеет вид: axеxf  1)( . (20) Экспоненциальная функция наиболее удобна для использования в виде целевой функции. В отличие от предыдущих вариантов 11)(lim    ах x еxf . Экстремальные функции: – колоколообразная функция или функция Гаусса. Аналитический вид: 2 2 ( ) ( ) x a cf x e   , (21) где параметры: а – смещение, с – масштаб. Использование данной функции в качестве целевой функции варианта реализации устройства осуществляется достаточно просто, по экстремуму, который указывает оптимальный вариант; – параболическая функция – f(х) = х2. Также имеет экстремум в виде минимума fmin, который определяется смещением. Манипулируя этими функциями, придавая им вид, удобный для выбора, смещая их полностью в область положительных чисел и задавая максимальное значение насыщения, можно получить множество различных функций; – экспоненциальная комбинированная функция с минимумом. Аналитическое выраже- ние имеет вид: )()()( axcaxc eеxf   . (22) Данную функцию удобно использовать, когда необходимо объединить две зави- симости – растущую и падающую. Наличие минимума дает возможность не только реализовать выбор, но и определить оптимальное значение параметра; – логарифмическая комбинированная функция с минимумом. Используются логариф- мическая и экспоненциальная зависимости. Аналитическое выражение имеет вид: ceexf axax   )(log)( )()( . (23) Данную функцию удобно использовать при большом диапазоне значений, когда ар- гумент целевой функции изменяется на несколько порядков. В работе предлагается аналитическое выражение целевой функции для различных моделей алгоритмов в виде гауссовой функции с учетом обобщенных нормирован- ных коэффициентов: (М) М (М) ОБ ИХС РВ ВП ОБ АЛ РВ 1 2 ( ) 2 ( K К )( ) К exp К                     . (24) Область значений целевой функции (рис. 1) разбивается на зоны, характери- зующие собой группы средств реализации. В общем виде определение интервалов значений целевой функции для различных зон, указывающих на какой-либо выбор, определяется конкретной задачей. На первом этапе можно рассмотреть равномерное распределение участков зон, опираясь на за- данную предметную область объекта выбора. Применительно к выбору средства реализации алгоритмов на основе микроконт- роллеров и сигнальных процессоров в работе выделены 4 основных типа, которым соответствуют следующие интервалы значений целевой функции: – от 0 до 0,25 – зона микроконтроллеров малой разрядности МКМР, для которых раз- рядность NШД = 4 ÷ 8; Применение целевой функции в системе поддержки принятия решений... «Штучний інтелект» 3’2009 123 3Л – от 0,25 до 0,5 – зона микроконтроллеров большой разрядности МКБР, для которых разрядность NШД = 8 ÷ 16; – от 0,5 до 0,75 – зона сигнальных процессоров малой разрядности СПМР, для кото- рых разрядность NШД = 16 ÷ 32; – от 0,75 до 1,0 – зона сигнальных процессоров большой разрядности СПБР, для ко- торых разрядность NШД = 32 ÷ 64. Таким образом, зоны средств реализации определились множеством из 4-х зна- чений интервалов средств реализации алгоритмов:  МР БР МР БР ( ) ( ) ( ) ( ) ( ) СР МК МК СП СП, , ,М М М М М      . (25) Попадание значения максимума целевой функции (24) в зону значений (25) определяет тип выбранного средства реализации, а смещение максимума определяет оптимальное значение обобщенной характеристики м( ) opt  , по которой происходит выбор характеристик микроконтроллера или сигнального процессора внутри определенной группы средств реализации, которая включает в себя параметры, соответствующие обобщенной характеристики целевой функции (15): производительность РМ, разряд- ность шины данных NШД, разрядность шины адреса NША и объем внутренней памяти программ микроконтроллера RМ:  М ШД ША М M МК, МК,где( ) opt i i i P N N Rq К , К К ,К ,К ,К    . (26) Рисунок 1 – Вид целевой функции при различных значениях обобщенных коэффициентов Анализируя влияние коэффициентов, входящих в целевую функцию (24), мож- но сделать выводы: – обобщенный коэффициент характеристик алгоритма КАЛ влияет на попадание мак- симума целевой функции в интервалы значений, которые определяют группы средств реализации СР выбираемых микроконтроллеров в соответствии со множеством (25). Обобщенный коэффициент характеристик алгоритма КАЛ должен изменяться в пре- делах (0 ÷ 1) и при КАЛ →1 максимум целевой функции также (M) ВП 1  и должен по- падать в более высокие интервалы групп микроконтроллеров; – обобщенный коэффициент информационных характеристик сигнала КИХС совместно с обобщенным коэффициентом реального времени КРВ определяют смещение целевой Литвинская О.С., Сальников И.И. «Искусственный интеллект» 3’2009 124 3Л функции ( )М opt в виде оптимального значения обобщенного параметра характеристик выбираемого микроконтроллера (26). Обобщенный коэффициент информационных характеристик сигнала КИХС должен изменяться в пределах (0 ÷ ∞); – обобщенный коэффициент реального времени КРВ в целевой функции (24) опреде- ляет крутизну скатов гауссовой функции и определяет ширину максимума (M) opt , которая определяется ближайшим уровнем значений целевой функции. Коэффициент реального времени КРВ должен изменяться в пределах (0 ÷ 1) и с ростом требований по быстродействию КРВ→1 и значение (M) opt должно уменьшаться, то есть выбор ха- рактеристик микроконтроллеров должен быть более строгим. В рамках проведенных исследований было разработано программное средство (ПС) в среде Delphi 7.0 (рис. 2). Исходными данными для ПС являются: – назначение алгоритма цифровой обработки сигналов (ЦОС), определяющее вид ал- горитма и тип преобразования, выполняемого алгоритмом; – алгоритм в виде перечня операций с учетом циклических конструкций; – параметры обрабатываемого сигнала; – параметры алгоритма и разрядность вычислительного средства, если она заранее из- вестна. а) б) Рисунок 2 – Программное обеспечение: а) вид рабочего поля, б) характеристики микроконтроллеров и сигнальных процессоров Применение целевой функции в системе поддержки принятия решений... «Штучний інтелект» 3’2009 125 3Л Для выбора средства реализации сформирована база данных, содержащая раз- личные виды 8-, 16- и 32-разрядных микроконтроллеров и сигнальных процессоров. Из базы данных выбираются микроконтроллеры с характеристиками, лежащими в пре- делах оптимальных значений (M) opt . В результате работы ПС рассчитываются частные параметры сигнала и алгоритма в виде нормированных коэффициентов, входящих в обобщенную характеристику (М) ОБ , а также обобщенные коэффициенты КИХС, КАЛ, КРВ. Программное средство рассчитывает значение целевой функции, сопоставляет его со значением целевой функции для модели выбранного вида алгоритма. При анализе используются интервалы значений целевой функции, попадание в которые означает принятие рекомендаций по выбору вариантов реализации заданного алгоритма с пред- ставлением значений рассчитанных параметров. ПС позволяет не только выдавать результат в соответствии с назначением, но и проводить исследования влияния различных частных параметров на значения целевой функции, а также позволяет определять весовые коэффициенты, входящие в обобщен- ные параметры и коэффициенты. Заключение В заключение отметим следующее: если получены рекомендации для реализации исходного алгоритма микроконтроллерами малой разрядности, то это значит, что дан- ный алгоритм можно реализовать также микроконтроллерами большой разрядности, и сигнальными процессорами; если получены рекомендации реализовать исходный алгоритм с помощью сигнальных процессоров большой разрядности, то это значит, что его можно реализовать только на этой элементной базе и другими средствами этот алгоритм с заданными исходными данными реализован быть не может. Таким образом, разработан метод выбора средства реализации исходного алго- ритма, основанный на сравнении значения целевой функции для конкретного вычисли- тельного процесса и значения целевой функции соответствующей модели алгоритма. Для модели вычислительного процесса обосновано использование значимых харак- теристик сигналов и алгоритмов их обработки. Предложено выражение для целевой функции модели вычислительного процесса в виде гауссовой кривой. Разработано программное средство для решения задачи выбора средств реализации алгоритмов, проведены численные эксперименты, подтверждающие основные теоретические ре- зультаты работы. Разработанный метод позволяет обоснованно с использованием количественных оценок выбрать базу реализации алгоритма специализированных устройств цифровой обработки последовательных потоков данных. О.С. Литвинська, І.І. Сальников Застосування цільової функції у системі підтримки прийняття рішень при виборі варіанта реалізації алгоритму послідовної обробки даних Для моделі обчислювального процесу обґрунтовано використання значущих характеристик сигналів та алгоритмів їх обробки на основі експертних оцінок. Запропоновано аналітичний вираз цільової функції, в яку входять параметри як оброблюваного сигналу, так і характеристики використовуваного алгоритму. Розроблена програма для розв’язання задачі вибору засобу реалізації алгоритмів, наведені числові експерименти, які підтверджують основні теоретичні результати роботи. Розроблений метод дозволяє обґрунтовано з використанням кількісних оцінок вибрати варіанти реалізації спеціалізованих пристріїв цифрової обробки послідовних потоків даних. Статья поступила в редакцию 20.05.2009.
id	nasplib_isofts_kiev_ua-123456789-8029
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-11-30T10:32:06Z
publishDate	2009
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Литвинская, О.С. Сальников, И.И. 2010-04-26T15:51:28Z 2010-04-26T15:51:28Z 2009 Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных / О.С. Литвинская, И.И. Сальников // Штучний інтелект. — 2009. — № 3. — С. 115-125. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8029 004.02 Для модели вычислительного процесса обосновано использование значимых характеристик сигналов и алгоритмов их обработки на основе экспертных оценок. Предложено аналитическое выражение целевой функции, в которую входят параметры как обрабатываемого сигнала, так и характеристики используемого алгоритма. Разработана программа для решения задачи выбора средства реализации алгоритмов, проведены численные эксперименты, подтверждающие основные теоретические результаты работы. Разработанный метод позволяет обоснованно с использованием количественных оценок выбрать варианты реализации специализированных устройств цифровой обработки последовательных потоков данных. Для моделі обчислювального процесу обґрунтовано використання значущих характеристик сигналів та алгоритмів їх обробки на основі експертних оцінок. Запропоновано аналітичний вираз цільової функції, в яку входять параметри як оброблюваного сигналу, так і характеристики використовуваного алгоритму. Розроблена програма для розв’язання задачі вибору засобу реалізації алгоритмів, наведені числові експерименти, які підтверджують основні теоретичні результати роботи. Розроблений метод дозволяє обґрунтовано з використанням кількісних оцінок вибрати варіанти реалізації спеціалізованих пристріїв цифрової обробки послідовних потоків даних. ru Інститут проблем штучного інтелекту МОН України та НАН України Системы принятия решений, планирования и моделирования Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных Застосування цільової функції у системі підтримки прийняття рішень при виборі варіанта реалізації алгоритму послідовної обробки даних Article published earlier
spellingShingle	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных Литвинская, О.С. Сальников, И.И. Системы принятия решений, планирования и моделирования
title	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
title_alt	Застосування цільової функції у системі підтримки прийняття рішень при виборі варіанта реалізації алгоритму послідовної обробки даних
title_full	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
title_fullStr	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
title_full_unstemmed	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
title_short	Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
title_sort	применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных
topic	Системы принятия решений, планирования и моделирования
topic_facet	Системы принятия решений, планирования и моделирования
url	https://nasplib.isofts.kiev.ua/handle/123456789/8029
work_keys_str_mv	AT litvinskaâos primeneniecelevoifunkciivsistemepodderžkiprinâtiârešeniiprivyborevariantarealizaciialgoritmaposledovatelʹnoiobrabotkidannyh AT salʹnikovii primeneniecelevoifunkciivsistemepodderžkiprinâtiârešeniiprivyborevariantarealizaciialgoritmaposledovatelʹnoiobrabotkidannyh AT litvinskaâos zastosuvannâcílʹovoífunkcííusistemípídtrimkipriinâttâríšenʹpriviborívaríantarealízacííalgoritmuposlídovnoíobrobkidanih AT salʹnikovii zastosuvannâcílʹovoífunkcííusistemípídtrimkipriinâttâríšenʹpriviborívaríantarealízacííalgoritmuposlídovnoíobrobkidanih

Применение целевой функции в системе поддержки принятия решений при выборе варианта реализации алгоритма последовательной обработки данных

Репозитарії

Схожі ресурси