Методическое пособие 805

511,1 451,2

Рис. 1. Расходы на НИОКР, топ 10 стран, млн. долл.

Россия испытывает дефицит не только в финансировании науки, но и в самих учёных-исследователях. В мировом рейтинге «Исследователи в секторе НИОКР» (на 1 млн чел. населения) Россия находится на 20 месте, и показатель имеет тенденцию к спаду, снизившись за последние несколько лет на

7 % (рис. 2) [6].

Отдельного внимания заслуживает проблема заявок на патенты. Этот показатель один из самых противоречивых. Так, в некоторых источниках отмечают заметный подъём, а в других – катастрофическое падение показателя до уровня 2006 года. По данным одного из самых уважаемых ежегодных рейтин-

гов World Intellectual Property Indicators 2018, Россия занимает 8 место в мире по количеству заявок на патенты и изобретения. За 2017 год рост показателя составил 11%. Подводя итог анализу позиций России на международном рынке науки и технологий, следует подчеркнуть, что в современных реалиях приоритетным направлением развития экономики Российской Федерации является переход к модели инновационного типа, направленной на устранение устаревших производств, стимулирование научно-технического прорыва. Такая модель, по нашему убеждению, позволит повысить конкурентоспособность страны в условиях внешних санкций с помощью использования имеющихся ресурсов [2]. В этой связи государство должно вести работу по двум направлениям. Во-первых, следует настойчиво интегрировать существующие высокотехнологичные производства в мировое научно-техническое пространство и поддерживать престижные для России направления, где страна уже имеет сильные конкурентные преимущества: космическая и авиационная техника, экспорт различных видов вооружений. Во-вторых, с целью устранения проблем, скопившихся в отечественном секторе науки и технологий, а также для дальнейшего успешного

240

развития Российской Федерации и превращения страны в ведущего игрока на мировом рынке инноваций, на наш взгляд, необходимо предпринять ряд мер.

1.Продвигать научные ресурсы на рынке посредством отраслевых специализированных институтов прикладных исследований.

2.Сделать центрами инновационного кластера исследовательские университеты, которые станут связующим звеном как между прикладными и фундаментальными исследованиями, так и между подготовкой специалистов и потребностями промышленности.

3.Внедрить программы фундаментальных исследований, скоординированные со стратегическими целями и задачами, стоящими перед отраслевыми институтами прикладных исследований.

4.Готовить мотивированных инновационных менеджеровмеждународников из числа талантливых студентов.

5.Оказывать государственную поддержку программам продвижения новых технологий.

6.Принимать во внимание региональные инициативы и интересы.

7.Финансировать новые массовые производства посредством фондового

рынка

8.Привлекать на внутренний рынок ведущих мировых производителей. Перечисленные меры – это лишь небольшая часть преобразований, кото-

рые необходимо предпринять России для формирования современной, высокотехнологичной, конкурентоспособной на мировых рынках промышленности, способной стать основой долгосрочного экономического роста страны [5].

Литература

1.Инновационная политика / Л.П. Гончаренко [и др.]; под ред. Л.П. Гончаренко. — Москва: Издательство Юрайт, 2014. — 502 с.

2.Лашко С.И., Кузьмина М.А. Пути повышения конкурентоспособности экономики России // Социально-экономический ежегодник-2016: Сборник научных статей. – Краснодар, 2016. – С. 24-29.

3.Прогноз долгосрочного социально – экономического развития российской федерации на период до 2030 года [Электронный ресурс] – Режим досту-

па: http://www.consultant.ru/document/cons_doc_LAW_144190/

4.Расходы на науку: топ 10 стран мира [Электронный ресурс]. Вести. Эко-

номика–2018. – Режим доступа: https://www.vestifinance.ru/articles/104411

5.Сапрыкина В. Ю., Дегтяренко Е.А. Проблемы инновационного развития Российской Федерации [Электронный ресурс] // Научный вестник Южного института менеджмента. – 2018. – Режим доступа: https://cyberleninka.ru/article/n/problemy-innovatsionnogo-razvitiya-rossiyskoy-federatsii

6.https://knoema.ru

241

УДК 681.3

Построение маршрутов доставки товаров при помощи муравьиного алгоритма

П.А. Филиппов1, В.Н. Кострова2 1Студент гр. мАП-21, sapris@vorstu.ru

2Д-р техн. наук, профессор, sapris@vorstu.ru

ФГБОУ ВО «Воронежский государственный технический университет»

Рассмотрен подход к решению задачи составления маршрутов доставки товаров при помощи муравьиного алгоритма.

Ключевые слова: муравьиный алгоритм, маршрутизация транспорта, управляющие параметры.

В наши дни важной проблемой для предприятий различных сфер и масштабов является логистическое планирование по доставке товаров. Построение оптимальных маршрутов доставки товаров транспортными средствами направлено в первую очередь на снижение различных финансовых и временных затрат, что способствует повышению эффективности деятельности организаций.

Оптимальным можно считать маршруты, по которым возможно доставить какой-либо товар или продукцию в кратчайшие сроки с минимальными затратами. Требуется определить такие замкнутые маршруты доставки товаров, чтобы база входила в каждый маршрут, а каждый из остальных пунктов входил только в один из маршрутов. Данный вид задач именуется как проблема маршрутизации транспортных средств (VRP). Количество транспортных средств и их грузоподъемность (CVRP) задается изначально или может быть вычислено в результате работы алгоритма [1].

Современным подходом к решению данной проблемы является применение муравьиных алгоритмов. Разработка математических моделей муравьиных алгоритмов была основана на имитации процессов поведения настоящих муравьев при прокладывании маршрутов к найденной пище в живой природе [2].

Таким образом, муравей может моделировать транспортное средство, обладающее некоторой грузоподъемностью. Модель муравья обладает «зрением», может улавливать феромон на пути, а также включает список пройденных пунктов.

Рассмотрим работу алгоритма системы муравьиных колоний, реализованного на языке java, при решении тестовой задачи E-n22-k4.vrp. Проведем несколько запусков алгоритма с различными параметрами и сравним результаты его работы.

Для начала попробуем определить как влияет количество муравьев в колонии на качество получаемого решения. В качестве тестовых данных будет применяться задача размерностью 22 вершины, лучшим решение которой является длина пути 375. В табл. 1 представлены полученные результаты работы алгоритма для различного количества муравьев в колонии. Для каждого значения

242

количества муравьев было выполнено по 3 прогона алгоритма и взято среднее значение в качестве полученного решения.

Таким образом, можно сделать вывод о том, что количество муравьев в колонии не имеет смысла задавать больше количества вершин, целесообразно брать значение меньшее, чем количество пунктов.

Далее протестируем влияние изменения параметров α и β на результат (табл. 2).

Таблица 2

Влияние значения параметра α на результат

Исходя из результатов теста лучшими значениями для параметра α является 0.8 или 1 (к текущей тестовой выборке данных). Теперь рассмотрим влияние значения параметра β (табл. 3).

Таблица 3

Влияние значения параметра β на результат

Таким образом, по результатам теста лучшим значением для параметра β можно считать 2 или 1 (к текущей текстовой выборке данных).

243

Оптимальным можно считать комбинации параметров при значениях α равным 0.8 или 1, β равным 1 или 2. Далее на рисунке представлен график результата работы алгоритма для тестовых данных с параметрами α=0.8, β=1.

Пример графика сходимости решения тестовой задачи

Литература

1.Gendreau M. Metaheuristics for the vehicle routing problem / M. Gendreau, G. Laporte, J.- Y. Potvin / Technical Report CRT-963, Centre de Recherche sur les Transports. Universit de Montral, jan 1994.

2.T. Stützle, P. Pellegrini, M. Dorigo, “Parameter Adaptation in Ant Colony Optimization” /Technical Report, IRIDIA, Université Libre de Bruxelles, 2010

244

УДК 681.3

Применение модели RKELM для персонально независимого распознавания физической активности

Ю.А. Асанов1, С.Ю. Белецкая2 1Аспирант кафедры САПРИС, sapris@vorstu.ru

2Д-р техн. наук, профессор, sapris@vorstu.ru

ФГОБУ ВО «Воронежский государственный технический университет»

Предложен новый подход к использованию модели RKELM, требующий значительно меньше ресурсов при обучении и работе, и значительно превосходящий оригинальный подход при использовании пользователями, на которых модель не была натренирована.

Ключевые слова: искусственная нейронная сеть, модификация rkelm, анализ физической активности.

Автоматическое распознавание движений очень важно при построении персональных рекомендаций физической активности. Было выявлено несколько подходов, в которых используются аппаратные устройства специального назначения или системы нательных сенсоров[1]. Целью же данной работы является разработка метода, который может применяться на портативных устройствах, на пример на смартфоне. Данный подход имеет и недостатки, главный из которых - при использовании не персонифицированных устройств появляется дополнительная сложность при определении активности - встроенный акселерометр выдает значительно отличающиеся друг от друга сигналы, даже при выполнении одних и тех же действий.

Чтобы решить проблему персонально независимого распознавания активности, в данной работе, предлагается новый адаптивный подход пригодный для использования на мобильных устройствах.

В данной работе была использована модель Хуанга (RKELM)[2], которая обладает выдающейся производительностью в задачах обобщения, превосходящие даже результаты SVM (SupportVectorMachine) [3]. Но эта модель требует чрезмерно большого числа вычислений, при обновлении весовой матрицы. Чтобы преодолеть эти ограничения мы предложили следующий алгоритм.

Как показано на рисунке, алгоритм состоит из двух основных этапов: основное построение модели классификации и адаптация под нового пользователя (процесс дообучения).

При построении модели классификации, полученные от датчиков данные по трем осям векторизуются, для того чтобы исключить ориентационную зависимость. После чего формируется обучающая выборка, которая подается RKELM классификатору.

245

Схема предложенного алгоритма

На втором шаге происходит обновление модели. На основании результатов классификации получаем степень «правильности» произведенной классификации. Результаты, степень «правильности» которых превышают пороговое значение g, используются при генерации обучающих выборок. После чего модель RKELM обновляется. Таким образом, после каждой новой порции доверенных данных, происходит новая итерация обучения. Для того, чтобы адаптироваться к новым пользователям, модель обновляется с помощью следующего алгоритма.

1.Во время распознавания, результаты, достоверность классификации которых превышает пороговое значение g, будут зарезервированы и использованы в качестве новых обучающих выборок.

2.Когда число новых обучающих выборок превышает предопределенный порог, начинается постепенное обновление модели распознавания на основе полученного набора обучающих данных.

Алгоритм адаптации модели распознавания можно обобщить следующим образом:

Случайным образом были выбраны три пользователя, обозначим их как A, B и C. Тогда наборы данных этих пользователей обозначаются как , и , соответственно. Каждый набор данных случайным образом разделен на две

части (80%: 20%), которые представлены как и , и , а так же

и. A и B примем за известных пользователей, а C - за нового. обуч

классификации активности новых пользователях.

246

Для исходной модели и каждой тестовой выборки , применяется правило - если достоверность классификации g больше 0,75, она будет добавлена в новый набор данных , благодаря чему, происходит процесс адаптации.

Точность классификации начальной модели и обновленной, в процессе адаптации, для известных пользователей показаны в табл. 1. Как можно увидеть из приведенной таблицы, точность практически не изменилась. В табл. 2 сравнение классификации данных для нового пользователя, соответственно разница в точности увеличилась, после адаптации точность повысилась на 4,3 %.

Принимая во внимание вышесказанное, можно сделать вывод, что предложенный подход превосходит конкурентные в скорости и производительности, незначительно уступая в точности классификации данных пользователей, для которых было проведено обучение, но оказывается значительно точнее на новых пользователях, благодаря процессу адаптации. Описанные положительные черты дают серьезные преимущества при его применении на мобильных платформах, обладающих ограниченными ресурсами.

Литература

3.Anguita, D., Ghio, A., Oneto, L., Parra, X., & Reyes-Ortiz, J. L. Human activity recognition on smartphones using a multiclass hardware-friendly support vector machine. In Ambient assisted living and home care - Springer, 2012. - pp. 216–223.

4.Huang, G. B., Zhu, Q. Y., & Siew, C. K. Extreme learning machine: theory and applications. - Neurocomputing, 2006. – pp. 489–501.

5.Deng, W., Zheng, Q., & Zhang, K. Reduced Kernel Extreme Learning Machine. - In Proceedings of the 8th international conference on computer recognition systems CORES, 2013. - pp. 63–69.

247

УДК 004.4

Применение технологии лазерного сканирования и фотограмметрии в современных системах сопровождения строительства

Д.О. Платонов1, С.О. Салов2, Д.Л. Цицилин3, А.В. Питолин4 1,2Студент гр. мРИС-21, sapris@vorstu.ru

3Студент гр. бИС-41, sapris@vorstu.ru

4Канд. техн. наук, доцент, sapris@vorstu.ru

ФГБОУ ВО «Воронежский государственный технический университет»

Рассмотрены вопросы преимуществ применения лазерного сканирования и фотограмметрии как составной частиBIM-технологии совместно с единым информационным порталом сопровождения строительства при реализации проектов строительства.

Ключевые слова: лазерное сканирование, фотограмметрия.

В настоящее время в ходе строительства различных технологических объектов, зданий и сооружений широко применяется технология BIM (Building Information Modeling).На этапе проектирования сооружений создается 3Dмодель, отражающая не только то, как будет выглядеть здание после завершения всех этапов строительства, но и технические решения по расположению коммуникаций, систем пожарной сигнализации и т.д[1].

Во время лазерного сканирования происходит фиксация направления распространения лазерного луча и расстояние до точек сканируемого объекта [2]. В результате лазерного сканирования формируется растровое изображение, состоящего из пикселей, значение каждого из которых представляет собой составляющие вектора, а именно: расстояние до объекта, интенсивность отражённого сигнала, а также фотореалистичная составляющая – RGB переменная (рис. 1), характеризующая реальный цвет точки.

.

Рис. 1. RGB-переменная и интенсивность отражённого сигнала

248

С целью применения результатов лазерного сканирования в едином информационном портале сопровождения строительства важным фактором является приведения облака точек к системе координат, соответствующей строительной. После определенной постобработки модель лазерного сканирования загружается на web-портал, что обеспечивает возможность пользователю просмотр через браузер (рис. 2).

Рис. 2. Результаты лазерного сканирования на едином информационном портале сопровождения строительства

На рис. 3 представлена фотограмметрическая модель того же объекта, который изображен на рис. 2, однако модель в данном случае получена без использования лазерного сканера.

Рис. 3. Фотограмметрическая модель объекта

249