Том 33, № 2 (2025)

Обложка

Весь выпуск

От редакции

Использование генеративного искусственного интеллекта

Кулябов Д.С., Севастьянов Л.А.

Аннотация

Использование генеративного искусственного интеллекта в научных публикациях требует соблюдения строгих правил для обеспечения прозрачности, достоверности и этичности исследований.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):125-129
pages 125-129 views

Информатика и вычислительная техника

О методе построения алгоритмов для решения задачи корреляционной кластеризации

Ибрагимова Э.И., Семенова Д.В., Солдатенко А.А.

Аннотация

Развивается техника построения алгоритмов, основанных на структуре сети (NS-алгоритмы), для решения задачи корреляционной кластеризации (CCP) для знаковых сетей. Моделью знаковой сети выступает неориентированный и невзвешенный простой знаковых графов. Эта задача рассматривается в оптимизационной форме с функционалом ошибки в виде линейной комбинации межкластерной и внутрикластерной ошибок. Известно, что в данной постановке задача является NP-трудной. Техника построения NS-алгоритмов основана на системном подходе, представленном в виде общей схемы. Схема состоит из шести взаимосвязанных блоков, каждый из которых отражает основные этапы решения CCP. Основная идея техники заключается в комбинировании модулей, представляющих каждый блок схемы. Предложенный подход реализован в виде программного комплекса. В работе представлен модельный NS-алгоритм, построенный с помощью предлагаемой техники. Проведены вычислительные эксперименты на синтетических данных по сравнению модельного алгоритма с уже известными.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):130-143
pages 130-143 views

Асимптотический анализ многолинейной RQ-системы с \(\pi\)-поражением в условии большой загрузки

Мелошникова Н.П., Фёдорова Е.А.

Аннотация

В работе исследуется многолинейная RQ-система с \(\pi\)-поражением как математическая модель облачных сервисов. На вход системы поступает простейший поток «положительных» заявок. В системе конечное число обслуживающих приборов, время обслуживания заявок на приборах распределено по экспоненциальному закону. Когда все приборы заняты, заявки поступающие в систему переходят на орбиту, где осуществляют случайную задержку. После осуществления задержки, заявки с орбиты обращаются к блоку обслуживания согласно политике множественного доступа. Также в систему поступает поток так называемых «отрицательных» заявок. Отрицательная заявка не нуждается в обслуживании: при поступлении она удаляет случайное число обслуживаемых заявок. Для рассматриваемой модели записаны уравнения Колмогорова в стационарном режиме. Предлагается метод асимптотического анализа в условии большой загрузки для нахождения стационарного распределения вероятностей числа заявок на орбите. Представлены результаты численного анализа.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):144-156
pages 144-156 views

Анализ процесса приема в университет: применение карты TM Forum eTOM, имитационного моделирования и сети массового обслуживания

Терентьев К.М., Абузярова Л.Д., Кочеткова И.А., Самуйлов К.Е.

Аннотация

С каждым годом процессы поступления в университеты становятся все более сложными. Для управления большим количеством заявок и постоянно меняющимися требованиями законодательства необходимы эффективные методы. В статье используется модель бизнес-процессов Forum eTOM, которая изначально была разработана для телекоммуникационной отрасли, для моделирования и оптимизации приемной кампании. На примере Российского университета дружбы народов имени Патриса Лумумбы (РУДН) показано, как можно формализовать весь процесс поступления в виде иерархической модели, соответствующей уровням eTOM. Методология объединяет два подхода: дискретно-событийное моделирование позволяет детально анализировать динамические взаимодействия между абитуриентами и сотрудниками, а сеть массового обслуживания дает возможность оценить среднее время выполнения процесса. Проведен анализ реального сценария обработки заявок, учитывая ограничения ресурсов. Совместное использование этих методов помогает выявить узкие места, такие как ручная проверка документов, и предложить решения для их устранения. Предложенный подход способствует стандартизации процессов, повышает прозрачность операций и поддерживает цифровую трансформацию университетов. Его можно адаптировать для других учебных заведений, обеспечивая эффективное управление приемными кампаниями в условиях растущих требований к автоматизации и масштабируемости.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):157-171
pages 157-171 views

Предиктивная диагностика логов компьютерных систем с помощью методов обработки естественного языка

Кирячёк В.А., Салпагаров С.И.

Аннотация

Данное исследование направлено на разработку и валидацию метода предиктивной диагностики и детекции аномалий в логах компьютерных систем, используя в качестве примера базу данных Vertica. Предложенный подход основан на обучении с частичным привлечением учителя в сочетании с методами обработки естественного языка. Для предварительной обработки данных разработан специализированный парсер, использующий семантический граф. Векторизация осуществлялась с применением NLP-библиотеки fastText и взвешивания TF-IDF. Эмпирическая валидация проводилась на реальных лог-файлах Vertica крупной IT-компании, содержащих как периоды нормального функционирования, так и аномалии, приведшие к сбоям. Проведена сравнительная оценка эффективности различных алгоритмов обнаружения аномалий, включая метод k-ближайших соседей, автоэнкодеры, One Class SVM, Isolation Forest, Local Outlier Factor и Elliptic Envelope. Результаты визуализированы посредством графиков аномальности, отражающих временные интервалы с превышением порогового уровня. Полученные результаты демонстрируют высокую эффективность предложенного подхода в идентификации предшествующих сбоям аномалий и определяют перспективные направления дальнейших исследований.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):172-183
pages 172-183 views

Математическое моделирование

Интервальные модели неравновесных физико-химических процессов

Морозов А.Ю., Ревизников Д.Л., Гидаспов В.Ю.

Аннотация

В данной работе рассматривается применение алгоритма адаптивной инетрполяции к задачам химической кинетики и газовой динамики с интервальными неопределенностями констант скоростей реакций. Значения функций, описывающих скорость реакции, могут значительно различаться, если они были получены разными исследователями. Разница может достигать десятков или сотен раз. Для учета данных различий в моделях предлагается использовать интервальные неопределенности. Решение таких задач с интервальными параметрами выполняется с помощью ранее разработанного алгоритма адаптивной интерполяции. На примере моделирования горения смеси водорода и кислорода демонтируется влияние неопределенностей на процесс протекания реакций. Моделируется одномерное неравновесное течение в сопле ракетного двигателя с разной формой сопла, включая сопло с двумя сужениями, в котором может возникать стоячая детонационная волна. Выполняется численное исследование влияния неопределенностей на структуру детонационной волны, а так же на параметры установившегося течения, такие как время задержки воспламенения и концентрация вредных веществ на выходе из сопла.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):184-198
pages 184-198 views

Исследование квантово-классической эвристики для задачи коммивояжера

Макарова М.А., Федоров С.В., Титова А.В., Хомич А.А., Румянцев А.С.

Аннотация

В статье разрабатывается и оценивается гибридный квантово-классический эвристический подход к решению задачи коммивояжера. Этот подход использует исчерпывающий перебор начальных путей и оптимизирует оставшуюся часть маршрута с помощью квантовых вычислений. Для обработки на квантовой машине используется либо вариационный квантовый собственный решатель, либо квантовый отжиг. Представлены результаты оценки предложенного подхода на нескольких наборах данных, включая TSPLIB и туристические данные для Петрозаводска и Республики Карелия, как в режиме имитации, так и на соответствующей квантовой машине. Обсуждаются вопросы практической применимости.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):199-213
pages 199-213 views

Письма

О моделировании мультиагентных систем на основе больших языковых моделей

Щетинин Е.Ю., Велиева Т.Р., Юргина Л.А., Демидова А.В.

Аннотация

В статье изучается эффективность внедрения мультиагентных систем на основе больших языковых моделей в различных сферах человеческой деятельности, анализируются их преимущества, проблемы и задачи. Результаты исследования показали, что мультиагентные системы на основе больших языковых моделей обладают значительным потенциалом и широкими возможностями в моделировании различных сред и решении различных задач.

Discrete and Continuous Models and Applied Computational Science. 2025;33(2):214-225
pages 214-225 views

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».