Разработки СО РАН - каталоги программ и БД

Назначение  Построение математических моделей календарного планирования для точного решения задач минимизации длительности цикла работ сетевых моделей с ограниченными нескладируемыми ресурсами.

Область применения  Управление сложными системами: опытное производство, предприятия единичного производства, проектно-конструкторские организации, ремонтное производство, календарное планирование проектов.

Используемый алгоритм   Программный комплекс формирует целочисленные линейные модели для решения задач построения расписаний операций по критерию минимизации общего времени выполнения комплексов работ, заданных сетевыми моделями. 

В моделях формализованы условия соблюдения частичного порядка выполнения  работ (операций) и не превышения потребления нескладируемых ресурсов над их наличием во всех временных интервалах.  Модели строятся в двух вариантах.  В первом варианте  допустимы только непрерывные операции. Во втором  - возможны перерывы в выполнении операций в целые моменты времени.  Для обоих вариантов  моделей целевой функцией является минимизация завершения конечных работ проектов. Построенные модели в виде  таблиц в MPS-формате формируются в текстовых файлах.

В первом варианте с непрерывными операциями каждой работе сопоставляется булева переменная, равная единице при завершении работы в данный момент времени. Для  второго варианта каждой операции сопоставляются булевы переменные, сумма которых равна продолжительности операции и каждая из которых равна единице при выполнении работы в данном интервале времени, и  - нулю, если операция в данном интервале не выполняется.  В остальном постановки задач совпадают.

В программном комплексе реализованы алгоритмы построения целочисленных линейных моделей, приведенные в статьях[1], [2].

[1] Ляхов О.А. Целочисленная линейная модель задачи календарного планирования проектов  с перерывами работ. Азиатская школа-семинар  "Проблемы оптимизации сложных систем ",  республика Казахстан, Усть-Каменогорск,  2010 г.;  

[2] Ляхов О.А. Целочисленные линейные модели сетевого планирования и управления. Азиатская школа-семинар "Проблемы оптимизации сложных систем", Новосибирск, 2011. 

Функциональные возможности   Формат исходных данных соответствует правилам формирования исходных данных в известной библиотеке тестовых примеров PSPLIB. Предусмотрены варианты моделей с возможностью  перерывов выполнения операций в целочисленные моменты времени и с непрерывным выполнением работ. На входе осуществляется синтаксический контроль исходных данных. Выходные данные формируются в MPS-формате  в виде, пригодном для применения известных пакетов программ целочисленного программирования. Комплекс программ позволяет строить целочисленные модели для всех примеров  из библиотеки PSPLIB (от 30 до 120 операций в сетевой модели).

Инструментальные средства создания   Операционная система  WINDOWS, язык FORTRAN.

Назначение - контроль построения обратной матрицы (выбор структуры элемента, последовательное вычисление алгебраических дополнений и определителя исходной матрицы, арифметические преобразования полученных элементов обратной матрицы). 

Область применения - в учебных заведениях для выработки навыков или контроля приобретенных навыков у студентов при построении обратной матрицы.  

Используемый алгоритм - генерация исходной матрицы и всех эталонных решений при получении обратной матрицы с последующим сравнением вводимых цифр и линейным поиском нужных комбинаций в эталонных решениях. Выбор структуры элементов производится путем обработки события, связанного со щелчком мыши, а ввод элементов происходит при обработке события, связанного с нажатием клавиш. Каждый щелчок кнопки мыши и нажатие клавиши обрабатываются контролирующими блоками с выводом информации о текущих ошибках, если они совершаются. Описание подобных программ приведено в статье [1].

1. Попов А.А., Бакланова Н.Б., Таныгина Т.А., Яньшина А.А. Интерактивные иллюстрации для задач линейной алгебры. "Применение информационно-коммуникационных в образовании(ИТО - Марий Эл - 2014):  Материалы XI Всесоюзной научно-практической конференции. - С.131-138. 

Функциональные возможности - программа может генерировать различные квадратные матрицы 2, 3 и 4 порядка, образовывать для них эталонные решения и подготавливать режим ввода символов с контролем каждого введенного символа. Ориентировочное время решения задачи составляет 1, 4 и 36 минут (соответственно для матриц 2, 3 и 4 порядка). Система комментариев в программе исключает неоднозначность при выполнении текущих действий.   

Инструментальные средства создания - программа написана на языке Java с использованием среды Eclipse.

Во вложении запакованный файл ObrMatrTren.rar содержит 3 файла: ObrMatrTren.bat запускает программу ObrMatrTren.class на выполнение. При завершении программы ObrMatrTren.class автоматически используется класс WindowDestroyer.class для разрушения окна. В текстовом файле Trenazher.doc собрана текстовая и графическая информации о решении одного из примеров.

Назначение  Программа предназначена для выделения контуров на цифровых изображениях.

Область применения  Выделение контуров на цифровых изображениях применяется в процессе решения задач, связанных с анализом графических объектов: обработка спутниковых фотографий поверхности земли, обработка снимков биологических объектов под микроскопом, обработка медицинских данных, локализация текста на изображениях.

Используемый алгоритм  Границы на изображении – это кривые, ограничивающие односвязные области одного цвета. Алгоритм ищет границы в два этапа. На первом этапе на изображении выделяются односвязные области одного цвета. На втором этапе ищутся кривые, ограничивающие данные области. Набор пикселей исходного изображения преобразуется в множество точек векторного пространства RGBXY (три цветовые координаты и две пространственные). Цветовые координаты каждой точки нормализуются.

Построенному множеству точек сопоставляется полносвязный граф. Длина ребра равна Евклидовому расстоянию между точками в пятимерном пространстве RGBXY. Для выделения односвязных областей одного цвета на изображении выполняется кластеризация построенного графа. Для кластеризации графа используем алгоритм, основанный на построении минимального остовного дерева (для его построения используется жадный алгоритм). При кластеризации минимальное остовное дерево разбивается на поддеревья. Разбиение производится отбрасыванием рёбер, превышающих некоторую длину на определённом шаге алгоритма. Для этого удаляются рёбра больше некоторого порога t = r_coefficient^iter * MAX_DISTANCE, где r_coefficient принадлежит (0, 1), MAX_DISTANCE – максимальное расстояние между двумя точками, iter – номер итерации. После удаления рёбер с весом, превышающим t, дерево разбивается на поддеревья, представляющие собой односвязные области на изображении.

В алгоритме также выполняется проверка, что размер полученных кластеров после разбиения превышает некоторый порог minimum_cluster_size; если размер кластера меньше данного порога, ребро, удаление которого привело к такому разбиению, не удаляется. Таким образом, на каждой новой итерации алгоритм производит более глубокую кластеризацию. Процесс кластеризации останавливается при t < percent * MAX_DISTANCE.

После проведения кластеризации для каждого кластера определяется его граница толщиной в один пиксель путём проверки количества соседей, входящих в данный кластер для каждого пикселя из этого кластера. Регулируя глубину кластеризации, можно управлять уровнем детализации выделяемых контуров.

Алгоритм разработан Кутлуниным П.Е. и Белимом С.В.. Подробное описание алгоритма можно найти в статье [1].

[1] Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика. - 2015. Т. 39, № 4. - С. 119-124].

На вход программе подаётся 5 обязательных параметров:

1) file_name - путь к изображению, которое необходимо разбить на односвязные области;

2) r_coefficient - коээфициент уменьшения расстояния между рёбрами. Рёбра, превышающие значение r_coefficient * MAX_DISTANCE на очередной итерации, удаляются из дерева, тем самым распадаясь на поддеревья, представляющие собой односвязные области на исходном изображении. MAX_DISTANCE - максимальное расстояние между двумя рёбрами в исходном остовном дереве;

3) percent - процент от MAX_DISTANCE, при достижении значения которого алгоритм останавливает свою работу;

4) minimum_cluster_size - ограничение на минимальное количество пикселей в односвязной области;

5) color_intervals - количество цветовых интервалов, используемое для определения наиболее популярного для исходного изображения интервала и выбора первоначальной точки для построения дерева из этого цветового интервала.

После запуска программы в директории расположения программы будет создан файл с результатом работы программы с названием %original_name%_bounds.bmp, где original_name – название исходного файла file_name без расширения.

Результатом работы программы является изображение с выделенными границами областей (белый фон и чёрные границы).

Инструментальные средства создания  программа написана на языке Java. Для написания использовались стандартные библиотеки классов JDK, в том числе классы из пакетов java.awt и javax.imageio для работы с изображениями.

Вложение  прикреплён архив иboundsearchresults.zip, в котором представлены результаты работы программы для искусственных и фотографических изображений (всего 3 изображения). Программа запускалась со следующими параметрами: r_coefficient=0,8; percent=10; minimum_cluster_size=30; color_intervals=16.