Многие задачи на реальных сетях предполагают поиск кратчайших путей между всеми парами вершин графа и расстояний между вершинами (APSP). Решение крупномасштабной задачи APSP на современных многопроцессорных (многоядерных) системах является ключевым для различных областей применения. Вычислительные затраты на ее решение высоки, поэтому во многих случаях приемлемыми считаются приближенные решения. Перспективным подходом, позволяющим эффективно использовать множество процессоров (ядер) и их кэши в параллельном режиме, являются блочные алгоритмы APSP. В то же время, насколько нам известно, в блочных алгоритмах семейства Флойда-Уоршалла все блоки имеют одинаковый размер. Это свойство ограничивает применение алгоритмов. В статье предлагаются новые блочные алгоритмы, которые разбивают граф на неравные подграфы и разбивают матрицу расстояний между парами вершин на блоки неравного размера. Алгоритмы описывают плотные подграфы матрицей смежности, а разреженные подграфы и связи между ними ‒ списком смежности. Такой подход позволяет совместно использовать алгоритмы семейства Флойда-Уоршалла с алгоритмами семейства Дейкстры. Он может быть применен к большим графам, декомпозированным на плотные (кластеры) и разреженные подграфы. Новый гетерогенный алгоритм может существенно сократить время вычисления блоков в зависимости от типа и размера. Вклад статьи заключается в разработке нового семейства блочных алгоритмов APSP, которые работают с блоками неравных размеров, сохраняют и расширяют преимущества алгоритмов, работающих с блоками равных размеров. Предложенные алгоритмы реализованы в виде одно- и многопоточных параллельных приложений для многоядерных систем.

Под трудоемкостью алгоритма понимают количество выполняемых алгоритмом элементарных операций (шагов) как функцию от исходных данных, авторы предлагают методику вычисления этой меры сложности алгоритма рассматривать с учетом особенностей и отличий языков программирования. В работе приводятся формулы подсчета теоретической трудоемкости и правила вычисления экспериментальной трудоемкости программного кода на языке высокого уровня С#.

В данной работе представлена классификация методов сегментации снимков земной поверхности. Рассмотрены такие подходы как сравнение с шаблоном, машинное обучение и глубокие нейронные сети, а также применение знаний об анализируемых объектах. Рассмотрены особенности применения вегетационных индексов для сегментации данных по спутниковым снимкам. Отмечены преимущества и недостатки. Систематизированы результаты, полученные авторами методик, появившихся за последние 10 лет, что позволит заинтересованным быстрее сориентироваться, сформировать идеи для последующих исследований.

Рассмотрены математические модели управления центрально ориентируемыми и нецентрально ориентируемыми поворотными колёсами мобильного робота. На основании анализа кинематики мобильного робота получены зависимости угла поворота заднего и переднего свободного колеса от угловых скоростей правого и левого дифференциально приводимого ведущего колеса. Для конкретного мобильного робота с определёнными кинематическими параметрами построены графики зависимостей угла поворота свободных колёс от радиуса поворота каждого колеса и графики зависимостей угла поворота свободных колёс от угловых скоростей ведущих колёс. Полученные результаты позволили установить закономерность между углом поворота кастор колёс и конструктивными характеристиками робота. Определённый диапазон угловых скоростей ведущих колёс в соответствии с предельными значениями углов поворота кастор колёс позволяет учитывать полученные математические модели для повышения устойчивости движения мобильного робота.

Алгоритмы обнаружения инцидентов с точки зрения автоматизации можно разделить на две категории: автоматического и неавтоматического обнаружения инцидентов. Автоматические алгоритмы относятся к тем алгоритмам, которые автоматически определяют инцидент на основании данных о состоянии транспортного потока, полученных от детекторов транспорта. Неавтоматические алгоритмы или процедуры основаны на сообщениях свидетелей-людей. По функциональным признакам алгоритмы обнаружения инцидентов на алгоритмы для автомагистралей и алгоритмы для уличной сети. По методам получения данных алгоритмы обнаружения инцидентов делятся на три группы: алгоритмы, использующие данные от стационарных детекторов транспорта (индуктивные петли, радары, видеокамеры и т.д.); алгоритмы, использующие мобильные датчики (Bluetooth, wi-fi, RFID, GPS, Глонасс-датчики, транспондеры системы оплаты проезда и т.д.). алгоритмы, использующие информацию от водителей (GSM-связь, навигационные сервисы, интернет-приложения и др.). В настоящей статье рассмотрены алгоритмы, использующие данные от стационарных детекторов транспорта. К недостаткам алгоритмов обнаружения инцидентов, использующих стационарные детекторы транспорта, следует в отнести: необходимость установки и эксплуатации детекторов транспорта (индуктивных, видео и т.д.) приводит к помехам для транспортного потока и иногда к временному закрытию движения; место установки детекторов транспорта, частота их установки и количество являются критически важными с точки зрения обнаружения инцидента на том или ином участке магистрали. Однако крайне трудоемко и капиталоемко установить стационарные детекторы по всей длине магистрали. Также индуктивные детекторы транспорта, которые в основном используются для определения параметров транспортных потоков на автомагистралях, являются ненадежными и часто выходят из строя, что делает не эффективным обнаружение инцидентов на том или ином участке дороги. К достоинствам рассматриваемых алгоритмов следует отнести подтвержденная на протяжении десятилетий надежность и точность в определении инцидентов, что является их несомненным преимуществом по сравнению с алгоритмами, использующими мобильные датчики или информацию от водителей.

Цели статьи ‒ предложить метод комплексного распознавания болезни Паркинсона с использованием машинного обучения, основанный на анализе маркеров голоса и изменений в движениях пациента на известных наборах данных. Используются частотно-временная функция (вейвлет-функция) и функция коэффициента Мейера Кепстраля. Алгоритм KNN и алгоритм двухслойной нейронной сети были использованы для обучения и тестирования на общедоступных наборах данных об изменениях речи и замедлении движений при болезни Паркинсона. Байесовский оптимизатор также использовался для улучшения гиперпараметров алгоритма KNN. Построенные модели достигли точности 94,7 % и 96,2 % для набора данных об изменениях речи у пациентов с болезнью Паркинсона и набора данных о замедлении передвижения пациентов, соответственно. Результаты распознавания близки к мировому уровню. Предлагаемая методика предназначена для использования в подсистеме ИТ-диагностики нервных заболеваний.

Проведены экспериментальные исследования электроэнцефалограмм оператора, находящегося в условиях электромагнитного шумового излучения диапазона WiFi. Регистрация электроэнцефалограмм проводилась в стандартных отведениях Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fpz, Fz, Cz, Pz, Oz. Проанализированы количественные параметры эмоционального состояния оператора, выраженные спектральной плотностью мощности ритмических компонент мозга, а также такими информационными параметрами, как выборочная энтропия, фрактальная размерность, сложность Лемпеля-Зива, усредненные для 10 испытуемых. Показано, что при действии излучения оператор испытывает депрессию. Показано, что тенденция изменения параметров спектральной плотности мощности тета-, альфа-, гамма-ритмов, фрактальной размерности, сложности Лемпеля-Зива, выборочной энтропии в большинстве отведений электроэнцефалограмм совпадает с тенденцией изменения этих параметров, представленных в научной литературе, при депрессии. Установлено, что оператор испытывает страх, что определяется увеличением параметра фрактальной размерности электроэнцефалограмм не более чем на 0,4 % по отношению к фону.

Статья посвящена исследованию путей оптимизации математической модели структуры учебного процесса. Формализация структуры учебного процесса проведена в виде задания целевой функции, включающей сумму количества часов, предусмотренных учебным планом на различные виды учебных занятий. При этом для каждого вида занятий предусмотрен весовой коэффициент, который характеризует относительную эффективность каждого вида занятий. Численные значения весовых коэффициентов предлагается определять путём применения метода анализа иерархий на основе экспертных оценок, которые задаются назначенными специалистами. Задача состоит в максимизации целевой функции, характеризующей общую эффективность учебного процесса. В качестве ограничений, накладываемых на структуру учебного процесса, рассматривается система неравенств, представленных в линейной форме и учитывающих ограничения на бюджет учебного времени, выделенный на изучение учебной дисциплины, финансовые ограничения на оплату труда преподавательского и учебно-вспомогательного состава, финансовые ограничения, связанные с содержанием учебно-материальной базы, закупкой программного обеспечения и прочими расходами. Таким образом, задача оптимизации учебного процесса сведена к задаче линейного программирования, которая в данном случае решается с помощью симплекс-метода при использовании стандартной программы, реализованной в различных компьютерных средах. При этом формулируется двойственная задача для определения требуемых временных и финансовых ресурсов при заданном распределении учебных часов по видам занятий. Приведенный в статье пример, реализованный в компьютерной среде Mathcad, наглядно показал работоспособность разработанной методики.