О.В. Дружинина¹, Э.Р. Корепанов², В.В. Белоусов³, О.Н. Масина4, А.А. Петров5

1−3 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

4, 5 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

Постановка проблемы. Развитие инструментального обеспечения с применением отечественных программноаппаратных средств для решения научно-исследовательских задач, к числу которых относятся задачи нейросетевого моделирования нелинейных управляемых систем, в настоящее время является актуальным направлением. 

Цель. Провести расширенный анализ областей использования возможностей архитектуры «Эльбрус» (архитектуры e2k  и ее последующих версий) и блоков встроенной библиотеки EML, специфики блоков библиотеки EML для решения конкретных типов научных задач, предложить модели нелинейных управляемых систем с переключениями режимов работы и новые алгоритмы с адаптацией к вычислительной платформе «Эльбрус», а также систематизировать и обобщить результаты компьютерного моделирования нелинейных систем на базе вычислительной платформы «Эльбрус 801-РС». Результаты. Рассмотрены возможности архитектуры «Эльбрус» и блоков встроенной библиотеки EML для математического моделирования нелинейных систем. Выполнен сравнительный анализ инструментального обеспечения и эффективности вычислительных экспериментов с учетом использования 8-ядерного процессора и потенциальных возможностей 16-ядерного процессора. Проанализированы специфика блоков библиотеки EML применительно к решению конкретных типов научных задач и оптимизированное программное обеспечение. Предложен новый алгоритм переключений с возможностью адаптации к вычислительной платформе «Эльбрус» для обобщенных моделей нелинейных систем с переключениями. Построено алгоритмическое дерево и разработано алгоритмическое и программное обеспечение для исследования моделей с переключениями. Представлены результаты адаптации модулей программного комплекса моделирования управляемых систем к элементам платформы. 

Практическая значимость. Полученные результаты могут быть использованы в задачах создания алгоритмического и программного обеспечения для решения научно-исследовательских задач моделирования, в задачах синтеза и анализа моделей управляемых технических систем с переключениями режимов работы, а также в задачах нейросетевого моделирования и машинного обучения.

Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Развитие инструментального обеспечения отечественной вычислительной платформы «Эльбрус 801-PC» в задачах нейросетевого моделирования нелинейных динамических систем // Нелинейный мир. 2021. Т. 19. № 1. С. 15−28. DOI: https://doi.org/10.18127/j20700970-202101-02

1. Альфонсо Д.М., Деменко Р.В., Кожин А.С., Кожин Е.С., Колычев Р.Е., Костенко В.О., Поляков Н.Ю., Смирнова Е.В., Смирнов Д.А, Смольянов П.А., Тихорский В.В. Микроархитектура восьмиядерного универсального микропроцессора «Эльбрус-8C» // Вопросы радиоэлектроники. 2016. Т. 4. № 3. С. 6–13.
2. МЦСТ «Эльбрус». Российские микропроцессоры и вычислительные комплексы [Электронный ресурс]. URL= http://www.mcst.ru / (дата обращения: 12.01.2020).
3. Рабочая станция «Эльбрус 801-РС» [Электронный ресурс]. URL= http://www.mcst.ru/elbrus_801-pc/ (дата обращения: 12.01.2020).
4. Основные принципы архитектуры Е2К [Электронный ресурс]. URL= http://www.mcst.ru/e2k_arch.shtml (дата обращения: 12.01.2020).
5. Руководство по эффективному программированию на платформе ««Эльбрус» ». [Электронный ресурс] URL= http://www.mcst.ru/files/5ed39a/dd0cd8/50506b/000000/ elbrus_prog_2020-05-30.pdf (дата обращения: 12.01.2020).  
6. Ишин П.А., Логинов В.Е., Васильев П.П. Ускорение вычислений с использованием высокопроизводительных математических и мультимедийных библиотек для архитектуры «Эльбрус» // Вестник воздушно-космической обороны. 2015. № 4(8). C. 64–68.
7. Кожин А.С., Нейман-заде М.И., Тихорский В.В. Влияние подсистемы памяти восьмиядерного микропроцессора «Эльбрус-8C» на его производительность // Вопросы радиоэлектроники. 2017. № 3. С. 13–21.
8. Kozhin A.S, Polyakov N.Yu., Alfonso D.M., Demenko R.V., Klishin P.A., Kozhin E.S., Slesarev M.V., Smirnova E.V., Smirnov D.A., Smolyanov P.A., Kostenko V.O., Gruzdov F.A., Tikhorskiy V.V., Sakhin Y.K. The 5th Generation 28 nm  8-Core VLIW «Elbrus-8C» Processor Architecture // Proceedings of the International Conference on Engineering and Telecommunication (EnT-2016). Moscow, 2016. Р. 85–89.
9. Синицын И.Н., Дружинина О.В., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки инструментальнометодического обеспечения для решения задач моделирования управляемых динамических систем с применением технологий машинного обучения и отечественных программно-аппаратных средств // Нелинейный мир. 2019. Т.17. №4. С. 5—19.
10. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5–17. 
11. Liberzon D., Morse A.S. Basic problems in stability and design of switched systems // IEEE Control syst. 1999. V. 19. № 5. P. 59–70.
12. Васильев С.Н., Маликов А.И. О некоторых результатах по устойчивости переключаемых и гибридных систем // Актуальные проблемы механики сплошной среды. Казань: Фолиант, 2011. Т. 1. С. 23–81. 
13. Шпилевая О.Я., Котов К.Ю. Переключаемые системы: устойчивость и проектирование (обзор) // Автометрия. 2008. № 5. 44. С. 71−87. 
14. Петров А.А. Структура программного комплекса для моделирования технических систем в условиях переключения режимов работы // Электромагнитные волны и электронные системы. 2018. Т. 23. № 4. С. 61–64. 
15. Druzhinina O., Masina O., Petrov A. The synthesis of the switching systems optimal parameters search algorithms // Communications in Computer and Information Science. 2019. V. 974. P. 06–320.
16. Druzhinin, O.V., Masina O.N., Petrov A.A., Lisovsky E.V., Lyudagovskaya M.A. Neural net-work optimization algorithms for controlled switching systems//Advances in Intelligent Systems and Computing. 2020. V. 1225. P. 470–483. 
17. Масина О.Н. Вопросы управления движением транспортных систем // Транспорт: наука, техника, управление. 2006 № 12 С. 10–12.
18. Дружинина О.В., Масина О.Н., Петров А.А. Разработка подхода к решению задач управления движением технических систем, моделируемых дифференциальными включениями // Информационно-измерительные и управляющие системы. 2017. Т. 15. № 4. С. 64–72.
19. Pinter J.D. Global optimization: software, test problems, and applications // Handbook of Global Optimization. Boston: Kluver, 2002. P. 515–569. 
20. Карпенко А.П. Современные алгоритмы поисковой оптимизации. М.: МГТУ им. Н.Э. Баумана. 2017. 447 с.
21. Газизов Т.Т. Методы глобальной оптимизации. Томск: В-Спектр. 2017. 24 c. 
22. Хайкин С. Нейронные сети. М.: Вильямс, 2016. 1104 с.
23. Тархов Д.А. Нейросетевые модели и алгоритмы. Справочник. М.:. Радиотехника. 2014. 352 с.
24. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК-Пресс. 2017. 652 с.
25. Каширина И.А., Демченко М.В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей // Вестник ВГУ. Сер. Системный анализ и информационные технологии. 2018. № 4.  С. 123–132.
26. Синицын И.Н., Шаламов А.С., Корепанов Э.Р., Белоусов В.В., Титов Ю.П. Методическое и инструментальное программное обеспечение моделирования процессов в организационно-технико-экономических системах массового применения // Системы высокой доступности. 2017. Т. 13. № 1. С. 65–90. 
27. Белоусов В.В. Опыт разработки инструментов для моделирования организационно-экономических систем высокой доступности на базе открытого программного обеспечения // Системы высокой доступности. 2018. Т. 14. № 5. С. 3–11. 
28. Oliphant T.E. Python for Scientific Computing // Computing in Science and Engineering. 2007. V. 9. № 3. P. 10–20. 
29. Плас Дж. В. Python для сложных задач. Наука о данных и машинное обучение. СПб: Питер. 2018. 576 с.
30. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. М.: Мир. 1993. 368 с.
31. Пегат А. Нечеткое моделирование и управление. М.: Бином. Лаборатория знаний. 2009. 798 с.
32. Дружинина О.В., Масина О.Н. Методы анализа устойчивости динамических систем интеллектного управления.  М.: Изд. группа URSS. 2016. 248 с.