Материал: Интеллектуальные информационные системы. труды международной научно-практической конференции. И73

135

Таким образом, в результате проведения экспериментальных исследований было установлено:

–все параллельные версии генетического алгоритма дают улучшение по времени работы в сравнении с последовательным вариантом реализации;

–сложность целевой функции заметно влияет на работу параллельного генетического алгоритма - чем она сложнее, тем больше время работы алгоритма (как минимум, в 2 раза);

–при увеличении количества особей производительность алгоритма повышается;

–блочный и поточный параллелизм CUDA при таком наборе исходных данных дают примерно одинаковый эффект;

–значительное уменьшение времени работы наблюдается при организации блочно-поточного параллелизма (по сравнению с последовательной версией временные затраты сокращаются в 3 раза);

–применение многопоточного генетического алгоритма целесообразно при большем количестве особей.

Разработанные и исследованные версии ГА с многопоточной реализацией оператора «селекция» позволяют существенно повысить производительность алгоритма в целом. Дальнейшие подобные исследования планируется провести

соператором «кроссинговер» и его возможными видами (одноточечный, двухточечный, однородный). Кроме того, разнообразные способы миграции особей порождают обмен генетическим материалом среди разных подпопуляций (например, популяций разных островов в островной модели ГА [4]), которые, как правило, улучшают точность и эффективность алгоритма, что также может быть важным направлением будущих исследований.

Литература

1.Карпенко А.П. Современные алгоритмы поисковой оптимизации: учебное пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.

2.Фетисова Т.А., Скворцов С.В. Ускорение генетического алгоритма средствами графических процессоров фирмы NVIDIA // Современные технологии в науке и образовании (СТНО-2019), Международный научно-технический форум, Сборник трудов, Том 4. 2019. С. 193-198.

3.S. Skvortsov, T. Fetisova, D. Perepelkin, D. Fetisov. Approach of Acceleration of Genetic Algorithm on CUDA platform // 8th Mediterranean Conference on Embedded Computing (MECO), 2019 - DOI: 10.1109/MECO.2019.8760016.

4.Скворцов С.В., Фетисова Т.А. Проектные процедуры синтеза на базе генетического алгоритма с распараллеливанием // Интеллектуальные и информационные системы (Интеллект-2019), Труды Всероссийской научнотехнической конференции. 2019. С. 134-138.

Рязанский государственный радиотехнический университет им. В.Ф. Уткина

136

УДК 332.145

К. А. Смирнова

АНАЛИЗ ИННОВАЦИОННОГО ПОТЕНЦИАЛА МУНИЦИПАЛЬНЫХ ОБРАЗОВАНИЙ С ИСПОЛЬЗОВАНИЕМ СРЕДЫ R

Термин муниципальное образование включает в себя: городское поселение; сельское поселение; муниципальный район; муниципальный округ; городской округ; городской округ с внутригородским делением; внутригородской район; внутригородская территория города федерального значения [1].

ФГБНУ «Госметодцентр» поддерживает информационную систему «Сведений о деятельности организаций и обособленных подразделений, входящих в научно-производственные комплексы наукоградов Российской Федерации» (далее-информационная система), которая реализует функции обработки и представления информации, в целях проведения экспертно-аналитической оценки инновационного потенциала муниципальных образований Российской Федерации. В информационной системе содержатся сведения по статистическим показателям характеризующим результативность деятельности муниципальных образований.

Для выявления муниципальных образований РФ, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития проводится их сравнительный анализ по выбранным статистическим показателям. При анализе результативности муниципальных образований по разнородным направлениям их деятельности целесообразно использовать ранговую шкалу по соответствующим статистическим показателям [2].

При расчетах для каждой организации муниципального образования определяется среднегодовое значение соответствующих статистических показателей. При оценке самих муниципальных образований можно использовать два подхода: 1) использовать аддитивную оценку по всем организациям, что с методической точки зрения более корректно; 2) использовать для муниципального образования усредненную оценку по количеству учитываемых организаций (это дает возможность нивелировать нерепрезентативность выборки организаций). Ниже представлены оба подхода, таким образом, для каждого направления деятельности определяются два показателя результативности:

где xijk – значение статистического показателя i-го муниципального образования для его j-й организации в k-й момент времени;

137

ni – количество учтенных организаций вi-м муниципальном образовании; Tij – количество лет, за которые представлен статистический показатель

для j-й организации i-го муниципального образования;

rankiM (.) – ранг i-го муниципального образования среди M муниципаль-

ных образований по соответствующему статистическому показателю.

Кроме указанных показателей результативности, целесообразно проводить сопоставление полученных результатов с затратами ресурсов на их получение, среди которых важно учитывать внутренние текущие затраты на исследования и разработки (S); стоимость основных средств и нематериальных активов (B); численность работников, выполняющих исследования и разработки

(H). В соответствии с этим дл я каждого показателя результативности можно выделить 3 показателя эффективности муниципального образования:

Использование данных формул позволяет выделить муниципальные образования, показывающие высокую эффективность по указанным направлениям деятельности. В тоже время для выявления муниципальных образований, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития можно использовать язык статистических вычислений R.

138

Одним из важных достоинств R является свободное распространение, система общепризнана в области анализа данных, является наиболее полной, надежной и динамично развивающейся статистической средой, объединяющей язык программирования высокого уровня и мощные библиотеки программных модулей для вычислительной и графической обработки данных. Всемерная поддержка научным сообществом данного проекта и широкое преподавание статистики на базе R обусловили то, что приведение скриптов на этом языке постепенно становится общепризнанным мировым “стандартом” в журнальных публикациях [3].

Для проведения вычислений в среде R используются статистические показатели муниципальных образований, содержащихся в информационной системе и выгруженных в файлы формата .xlsx.

Ниже представлен листинг фрагмента кода из статистической среды R, реализующий выявление муниципальных образований, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития, полный код представлен в [4].

library(readxl)

Innovation_result -< read_excel("Оценка потенциала.xlsx", sheet = "Инновации")

#View(Inovation_result) B_innovation<-

matrix(0,nrow=length(as.matrix(Innovation_result[,1])),ncol=length(as.matrix(Innovatio n_result[1,]))-1)

for (i in 1:length(B_innovation[1,]))

{

B_innovation[,i]<-rank(as.matrix(Innovation_result[,i+1]))

}

#Результативность инновационной деятельности по среднему innovation_avg<-

matrix(NA,nrow=length(as.matrix(Innovation_result[,1])),ncol=1) for (i in 1:length(education_avg[,1]))

{

innovation_avg[i,1]<-mean(B_innovation[i,c(1:5)])

}

#Результативность инновационной деятельности по сумме innovation_sum<-

matrix(NA,nrow=length(as.matrix(Innovation_result[,1])),ncol=1) for (i in 1:length(education_sum[,1]))

{

innovation_sum[i,1]<-mean(B_innovation[i,c(6:10)])

}

139