Все выпуски

В работе описывается свободно распространяемая прикладная программа для исследований в области голоморфной динамики на основе вычислительных возможностей среды MATLAB. Программа позволяет строить не только одиночные комплекснозначные отображения, но и их коллективы как линейно связанные, на квадратной или гексагональной решетке. В первом случае строятся аналоги множества Жюлиа (в виде точек убегания с цветовой индикацией скорости убегания), Фату (с выделением хаотической динамики) и множества Мандельброта, порожденного одним из двух свободных параметров. Во втором случае рассматривается только динамика клеточного автомата с комплекснозначным состоянием ячеек и всеми коэффициентами в локальной функции перехода. Абстрактность объектно-ориентированного программирования позволяет объединить оба типа расчета в рамках одной программы, описывающей итеративную динамику одного объекта.

Для формы поля, начальных условий, шаблона окрестности и особенностей окрестности у граничных ячеек предусмотрены опции выбора. Вид отображения может быть задан регулярным для интерпретатора MATLAB выражением. В статье приводятся некоторые UML-диаграммы, краткое введение в пользовательский интерфейс и ряд примеров.

В качестве рабочих иллюстраций, содержащих новое научное знание, были рассмотрены следующие случаи:

1) дробно-линейное отображение вида $Az^{n} +B/z^{n} $, для которого случаи $n=2$, $4$, $n>1$, известны. На портрете множества Фату привлекают внимание характерные (для классического квадратичного отображения) фигурки <<пряничных человечков>>, показывающие короткопериодические режимы, находящиеся в море компоненты условно хаотической динамики;

2) у множества Мандельброта при нестандартном положении параметра в показателе степени $z(t+1)\Leftarrow z(t)^{\mu } $ на эскизных расчетах обнаруживаются некие зубчатые структуры и облака точек, напоминающие пыль Кантора, не являющиеся букетами Кантора, характерными для экспоненциального отображения. В дальнейшем требуется детализация этих объектов со сложной топологией.

В данной работе мы предлагаем новую эффективную программную реализацию алгоритма расчета трансконтинентального переноса примеси в атмосфере от естественного или антропогенного источника на адаптивной конечно-разностной сетке, концентрирующей свои узлы внутри переносимого облака примеси, где наблюдаются резкие изменения значений ее массовой доли, и максимально разрежающей узлы во всех остальных частях атмосферы, что позволяет минимизировать общее количество узлов. Особенностью реализации является представление адаптивной сетки в виде комбинации динамических (дерево, связный список) и статических (массив) структур данных. Такое представление сетки позволяет увеличить скорость выполнения расчетов в два раза по сравнению со стандартным подходом представления адаптивной сетки только через динамические структуры данных.

Программа создавалась на компьютере с шестиядерным процессором. С помощью симулятора gem5, позволяющего моделировать работу различных компьютерных систем, была произведена оценка масштабируемости программы при переходе на большее число ядер (вплоть до 32) на нескольких моделях компьютерной системы вида «вычислительные ядра – кэш-память – оперативная память» с разной степенью детализации ее элементов. Отмечено существенное влияние состава компьютерной системы на степень масштабируемости исполняемой на ней программы: максимальное ускорение на 32-х ядрах при переходе от двухуровневого кэша к трехуровневому увеличивается с 14.2 до 22.2. Время выполнения программы на модели компьютера в gem5 превосходит время ее выполнения на реальном компьютере в 104–105 раз в зависимости от состава модели и составляет 1.5 часа для наиболее детализированной и сложной модели.

Также в статье рассматриваются подробный порядок настройки симулятора gem5 и наиболее оптимальный с точки зрения временных затрат способ проведения симуляций, когда выполнение не представляющих интерес участков кода переносится на физический процессор компьютера, где работает gem5, а непосредственно внутри симулятора выполняется лишь исследуемый целевой кусок кода.

Появление технологий лазерного сканирования произвело настоящую революцию в лесном хозяйстве. Их использование позволило перейти от изучения лесных массивов с помощью ручных измерений к компьютерному анализу точечных стереоизображений, называемых облаками точек.

Автоматическое вычисление некоторых параметров деревьев (таких как диаметр ствола) по облаку точек требует удаления точек листвы. Для выполнения этой операции необходима предварительная сегментация стереоизображения на классы «листва» и «ствол». Решение этой задачи зачастую включает использование методов машинного обучения.

Одним из самых популярных классификаторов, используемых для сегментации стереоизображений деревьев, является случайный лес. Этот классификатор достаточно требователен к объему памяти. В то же время размер модели машинного обучения может быть критичным при необходимости ее пересылки, что требуется, например, при выполнении распределенного обучения. В данной работе ставится цель найти классификатор, который был бы менее требовательным по памяти, но при этом имел бы сравнимую точность сегментации. Поиск выполняется среди таких классификаторов, как логистическая регрессия, наивный байесовский классификатор и решающее дерево. Кроме того, исследуется способ уточнения сегментации, выполненной решающим деревом, с помощью логистической регрессии.

Эксперименты проводились на данных из коллекции университета Гейдельберга. Было показано, что классификация с помощью решающего дерева, корректируемая с помощью логистической регрессии, способна давать результат, лишь немного проигрывающий результату случайного леса по точности, затрачивая при этом меньше времени и оперативной памяти. Разница в сбалансированной точности составляет не более процента на всех рассмотренных облаках, при этом суммарный размер и время предсказания классификаторов решающего дерева и логистической регрессии на порядок меньше, чем у случайного леса.