WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 ||

На основе классификации моделей, параметров и типов параметров, вводится понятие ключевых параметров, являющихся исходными данными для задачи результативного искажения.

Ключевые параметры – ограниченный набор управляющих параметров геометрической модели, не находящихся в открытом доступе, изменение значений которых существенно изменяет геометрические характеристики модели.

Таким образом, результативное искажение геометрической модели - это обратимое, не разрушающее структуру модели изменение значений ключевых параметров этой модели, которое обеспечивает максимизацию разности объемов исходной и искаженной моделей.

Поставленная задача результативного искажения (14) относится к классу задач нелинейного программирования. Однако данная задача обладает спецификой, которая не позволяет применять классические методы решения таких задач. Несмотря на то, что ограничивающие условия являются числовыми, они существенно нелинейны и представлены в виде алгоритмического «черного ящика». Наряду с этим, даже сокращение размерности задачи, обусловленное классификациями моделей и параметров, оставляет ее размерность достаточно высокой, что наряду со сложной системой ограничений, и требованием минимизации временных затрат, делает ее решение достаточно трудоемким. В то же время практическое применение результатов решения задачи позволяет ограничиться поиском одного из близких к оптимальному решений. В этих условиях наиболее рациональным является использование эвристических алгоритмов, например, алгоритма генетического типа.

Кодирование параметров осуществляется следующим образом: ключевой ij параметр модели s является геном, вектор параметров компонента ij s является хромосомой, и множество параметров сборки {ij} составляет s генотип. Схема кодирования приведена на рис.3.

Рис. 3. Схема кодирования Согласно методологии генетических алгоритмов требуется определить начальную популяцию, вычислить приспособленности каждой особи на основе условий (15-17); на основе наиболее приспособленных особей сформировать следующее поколение, с использованием генетических операторов кроссовера и мутации. Для каждого поколения проверяется функция приспособленности (т. е. критерий оптимизации). При стабилизации функции приспособленности (т. н. условие конвергенции, когда функции приспособленности текущего и предыдущего поколении отличаются не более чем на определенное значение) алгоритм завершается и выбирается особь с максимальным значение функции приспособленности.

Для инициации получим начальное искажение (t = 0, t - номер поколения) для каждого параметра, для чего потребуется установить диапазон вариации для каждого ключевого параметра. Пусть i* i, i, где hi - hi hi случайное число в диапазоне [0,6;1], i =1…k. Осуществив процесс начального искажения l раз, получим начальную популяцию из l особей. Обозначим особь как Aj, j =1…l. Для вычисления начальной популяции ограничимся l = 25, чтобы сократить количество ресурсоемких операций вычисления приспособленности (проверки граничного представления).

Проверим КП и ГП, и выявим, искаженные значения каких параметров вызывают их нарушения. Не нарушая общности, будем считать, что для операции мы имеем удовлетворяющие последующим моделям искаженные * * значения параметров 1,…m и не удовлетворяющие значения параметров ** ** m+1,…k. Вернем параметрам m+1,…k их исходные значения m+1,…k.

Будем продолжать процесс до тех пор, не получим удовлетворяющий моделям * * ** набор 1,…m и m+1,…k, или не убедимся в том, что ни одно из искаженных значений не подойдет для модели. Отбракуем особи, идентичные исходным.

Проведем выбраковку в популяции (для первого прохода алгоритма этот шаг пропускается). Вначале удалим из популяции те особи, для которых не выполняются условия обратимости искажения (15-17). Затем удалим из популяции особи, для которых число искаженных параметров m меньше количества искажаемых параметров mmax. После этого рассчитаем для каждой особи функцию приспособленности как:

mmax i* - i i=F(Аl ) = mmax Затем вычислим среднее значение приспособленности популяции, как F(A ) l l Fmid = и для каждой особи определим отношение F(Аl )/ Fmid. Если l отношение F(Аl )/ Fmid 1, то особь будет участвовать в скрещивании, в противном случае, вероятность этого события меньше единицы (т. н. стратегия пропорционального отбора), которая реализуется через дополнительный массив: геном особи помещается в этот массив ent(F(Аl )/ Fmid ) раз, после чего вычисляется случайное число в диапазоне 0,1. Если [ ] F(Аl ) F(Аl ) <- ent то геном добавляется в массив еще раз, иначе – не Fmid Fmid, добавляется.

Так как значения параметров представляют собой вещественные числа, то в качестве оператора скрещивания используем SBX (Simulated Binary Crossover). Пусть u - случайное число, распределенное в диапазоне (0,1) по равномерному закону. Выберем из промежуточной таблицы 2 родителя - Ay = (1y,…ky ), y =1,2. На основании этих родителей создаются 2 потомка y H = (h1y,…hky ), y =1,2, где h1 = 1- 1 1 + 1+ 1, ( ) ( ) () jj j h2 = 1+ 2 1 + 1- 2, j = 1…k. 1,2 - числа, вычисленные по формуле:

( ) ( ) () jj j (2u)v+1, u = 1, v+ 2(1- u), u > v - случайное число в интервале [1, ].

j j Таким методом формируются все потомки для записей промежуточной таблицы, и формируется таблица потомков. Применение кроссовера SBX обеспечивает передачу потомкам "лучших" генов и не требует сохранения промежуточной популяции, в которой представлены особи-родители и особипотомки. Чтобы избежать преждевременной сходимости алгоритма применяется оператор мутации, заключающийся в случайном инвертировании одного из битов двоичного представлении гена.

Условием останова является достижение конвергенции по большинству параметров, то есть при стабилизации значения критерия эффективности (14).

Будем считать, что конвергенция достигнута, когда значения суммарной функции приспособленности отличаются не более чем на 5%.

В случае не достижения конвергенции в 15 поколении останавливаем процесс и выбираем в качестве решения особь в максимальной функцией приспособленности из текущей популяции.

Таким образом, построенный для решения задачи результативного искажения алгоритм представляет собой совокупность классификаторов моделей, параметров и генетического алгоритма. Набор ключевых параметров шифруется с использованием системы защиты информации (СЗИ) предприятия и сохраняется в файле модели. Полученный ГА позволяет достаточно быстро получить необходимое искажение параметров модели, для которой гарантируется выполнения условий обратимости искажения. В результате экспериментов получено, что наиболее рациональными сочетаниями управляющих параметров алгоритма являются: размер начальной популяции – 25 особей, вероятность мутации – 0,01, значение конвергенции – 5%, ограничение на число поколений – 15. Такой набор характеристик позволяет быстро получить близкое к оптимальному решение, сведя к минимуму количество ресурсоемких вычислений функции приспособленности.

Общая схема алгоритма результативного искажения приведена на рис.4.

Рис. 4. Общая схема алгоритма результативного искажения В четвертой главе работы рассматривается место подсистемы результативного искажения (ПРИ), реализующей соответствующий метод, в информационной среде предприятия, приводится пример работы метода.

ПРИ искажения состоит из двух частей – универсальной и настраиваемой. Универсальная часть реализует классификаторы моделей, параметров и генетической алгоритм, и может быть применена для работы с ДПМ. Для интеграции в информационную среду предприятия предназначена настраиваемая часть ПРИ, представляющая собой два интерфейса – интерфейс СГМ и интерфейс СЗИ. Интерфейс СГМ обеспечивает получение из файлов ДПМ набора ключевых параметров, проверку условий обратимости преобразования, осуществляемых ядром СГМ, и сохранение в файлах ДПМ искаженных значений параметров. Интерфейс СЗИ предназначен для передачи набора ключевых параметров в СЗИ и получения шифроблока ключевых параметров, сохраняемых далее в файле ДПМ.

Схема интеграции представлена на рис.5.

Рис. Результаты работы и предложенный алгоритм апробированы на упрощенной модели обводов самолета «Меркурий» (компания «АвиаСТЭП», г.

Москва). Модель построена с использованием глобальной контрольной структуры и содержит порядка 2000 параметров. Общий объем файлов модели 14 Мб. В результате работы классификаторов в качестве входных данных алгоритма определены 38 ключевых параметров, разделенных по трем областям искажения (ОИ): часть кабины (ОИ1* - 14 параметров), хвостовое оперение (ОИ2 - 14 параметров) и крыло (ОИ3 - 10 параметров). Виды модели до и после искажения приведены на рис. 6а и 6б, соответственно.

Рис. 6а Рис. 6б Исходные значения параметров и их искаженные значения приведены в табл. 1.

Табл. Объемы исходной и искаженной моделей приведены в табл. 2.

Табл. Таким образом, искажение небольшого числа параметров, проведенное по предложенному алгоритму, существенно изменяет геометрические характеристики модели.

Общий объем файлов модели равен 14 Мб, объем ключевой информации (с необходимыми связями) 190 байт. Следовательно, количество подлежащей защите информации сокращено для рассмотренной модели примерно в раз.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ 1. В работе показано, что использование специфики представления проектной информации в формулярных документах современных CAD/CAM/CAE-систем в виде двухкомпонентной модели, позволяет выделить набор параметров геометрической модели, по размерности отличающийся от модели в целом на порядки, которые могут быть искажены без нарушения правдоподобности исходной модели в пределах, обеспечивающих восстановление исходной модели [1, 4].

2. Введено понятие результативного искажения как обратимого изменения параметров модели для которого, при сохранении правдоподобия искаженной модели, исходная и искаженная модель отличаются максимально [1,3].

3. Предложен метод результативного искажения, сведенный к задаче максимизации разности объемов исходного и искаженного изделий при условии сохранения возможности обратного преобразования искаженной модели изделия. Данный метод является универсальным для большинства современных СГМ, так как базируется на двухкомпонентном представлении геометрической модели [1,3,4].

4. Получены условия, обеспечивающие обратимость искажения, разделенные на две группы:

1) условие восстановления компонент (деталей) изделия, базирующиеся на совпадении размерности таблиц (ребер, вершин, граней) моделей до и после искажения [1,3];

2) условия восстановления сборок, базирующиеся на совпадении наборов позиционных связей исходной и искаженной модели и отсутствии самопересечений компонент в искаженной модели [2].

5. Разработан и реализован алгоритм решения задачи результативного искажения генетического типа. Алгоритм обеспечивает поиск условнооптимального значения за ограниченное число шагов [1].

6. Предложена схема системы, реализующей алгоритм результативного искажения, обеспеченная необходимыми интерфейсами и структурами данных, в рамках которой реализован регламент взаимодействия с СГМ и СЗИ [1,4].

7. На основе предложенной схемы реализовано взаимодействие системы, реализующей метод результативного искажения с СГМ. Показана эффективность реализованной схемы для решения поставленных задач:

сокращения объема защищаемой информации, минимизации объема вычислений и максимизации отличия физических свойств искаженной модели от исходной [1,4].

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

в изданиях, рекомендованных ВАКом 1. Коршиков С.Б., Падалко С.Н. Метод результативного искажения параметров двухкомпонентной геометрической модели для обеспечения безопасности ее передачи по открытым каналам / Вестник Московского авиационного института.– Москва: МАИ, 2008. – Т. 15. – № 1. – с. 126–135.

2. Коршиков, С.Б. Алгоритмы восстановления сборочных связей при параметрическом изменении компонентов сборок / Вестник Московского авиационного института.– Москва: МАИ, 2008. – Т.

15. – № 3. – с. 212–218.

иные публикации 3. Коршиков, С.Б. Условия обратимости параметрических изменений двухкомпонентной геометрической модели // Третья всероссийская научно-практическая конференция «Компьютерная интеграция производства и ИПИ-технологии»: Сб. материалов, г. Оренбург 2007 г. – Оренбург: ИПК ГОУ ОГУ, 2007. – с. 143–146.

4. Коршиков С.Б. Использование специфики представления данных о геометрии изделия в современных СГМ для обеспечения конфиденциальности проектной информации // Авиация и космонавтика – 2008. Международная конференция, М. 2008: Тез.

докл. – М.: МАИ, 2008. – c. 96.

5. Коршиков С.Б. Новые возможности Solid Edge v10 / CАПР и графика.– 2002. – № 1’2002 (62). – c. 49–52.

6. Падалко С.Н., Коршиков С.Б., Корякин Л.А., Кулик Ю.П., Степаненко А.Ю. Разработка методик гармонизации нормативной документации и формального описания процессов информационной поддержки жизненного цикла продукции: отчет о НИР. – г. Москва: МАИ, 2005, ГК № 032-0198/05 – 72 c.

7. Падалко С.Н., Коршиков С.Б., Макаров Д.А., Станкевич А.М.

Рекомендации по организации работ по комплексной автоматизации этапов жизненного цикла аэрокосмической техники:

отчет о НИР. – г. Москва: МАИ, 2007, ГК № 851-0434/06 – 63 c.

8. Коршиков С.Б. Электронные модели изделий аэрокосмической техники и их агрегатов: формирование, хранение, передача / Уч.

пособ. каф. 609 МАИ.– М., 2008 (рукопись). – 71 c.

Pages:     | 1 | 2 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»