2026 №1(70)

СОДЕРЖАНИЕ

  1. В. Н. Алеева, М. П. Соколов Формирование представлений алгоритмов для программных систем на основе концепции Q-детерминанта  
  2. А.Ю. Власенко, М. А. Городничев, М. А. Курбатов Система отладки простых вычислительных моделей в графовом представлении  
  3. А. Р. Герб, Е. Е. Девятых, Г. А. Омарова Оптимизации алгоритма поиска k кратчайших путей 
  4. С. С. Кенжаев, А. Р. Ахатов, М. Р. Таджиев Гибридный комбинационный подход к количественной оценке чувствительности при выборе функции принадлежности в процессе фаззификации параметров сервера 
  5. В. А. Перепелкин, С. Б. Арыков Совместное применение концепции активных знаний и методов машинного обучения

 В. Н. Алеева, М.П. Соколов
Южно-Уральский государственный университет (НИУ), 454080, Челябинск, Россия
ФОРМИРОВАНИЕ ПРЕДСТАВЛЕНИЙ АЛГОРИТМОВ ДЛЯ ПРОГРАММНЫХ СИСТЕМ  НА ОСНОВЕ КОНЦЕПЦИИ Q- ДЕТЕРМИНАНТА

УДК 004.021, 004.032.24, 004.051, 004.272
DOI: 10.24412/2073-0667-2026-1-5-23
EDN: EZZXDL
Концепция Q-детерминанта является одним из подходов к распараллеливанию численных алгоритмов. На ее основе можно повысить эффективность параллельных вычислений с помощью выявления ресурсов параллелизма алгоритмов с применением программной системы, а затем и их использования. Для этого была разработана технология параллельного программирования. Исследования с применением концепции Q-детерминанта доказали возможность создания программных систем автоматизированного проектирования и исполнения программ для эффективной реализации численных алгоритмов. Для описания алгоритмов программные системы должны использовать представления алгоритмов в форме Q-детерминантов. При решении практических задач файлы, содержащие представления алгоритмов в форме Q-детерминантов, в настоящее время могут иметь большие размеры. В связи с этим при формировании и использовании представлений алгоритмов в форме Q-детерминантов могут возникать проблемы. В этом случае Q-детерминанты называются большими, а возникающие проблемы — проблемами больших Q-детерминантов. В статье описаны проблемы больших Q-детерминантов и предложены их решения.
Ключевые слова: Q-детерминант алгоритма, представление алгоритма в форме Q- детерминанта, Q-эффективная реадизация алгоритма, ресурс параллелизма алгоритма, Q- эффективная программа, автоматизированное проектирование эффективных программ.

Список литературы

  1. Алеева В. Н. Анализ параллельных численных алгоритмов. Препринт № 590. Новосибирск: ВЦ СО АН СССР, 1985. 23 с.
  2. Valentina Aleeva, Rifkhat Aleev. Investigation and Implementation of Parallelism Resources of Numerical Algorithms // ACM Transactions on Parallel Computing. 2023. Vol. 10. N 2, Article number 8. P. 1-64. DOI: 10.1145/3583755.
  3. Алеева B.H. Подход к эффективной реализации численных алгоритмов // Проблемы информатики. 2025. № 1. С. 29-44. DOI: 10.24412/2073-0667-2025-1-29-44.
  4. Алеева В.Н., Кузнецов Е.К. Эффективная реализация алгоритмов сортировки с помощью концепции Q-детерминанта // Вестник НГУ. Серия: Информационные технологии. 2025. Т. 23, № 2. С. 5-17. DOI: 10.25205/1818-7900-2025-23-2-5-17.
  5. Алеева В. Н., Сапожников А. С. Эффективная реализация алгоритмов обучения нейронных сетей с помощью концепции Q-детерминанта // Проблемы информатики. 2025. № 3. С. 5-16. DOI: 10.24412/2073-0667-2025-3-5-16.
  6. Алеева В.Н. Автоматизированное проектирование и исполнение эффективных программ для численных алгоритмов // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2023. Т. 12, № 3. С. 31-49. DOI: 10.14529/cmse230303.
  7. Manatin Р., Aleeva V. Efficient Implementation of Numerical Algorithms Based on a Lexical Analyzer // Parallel Computational Technologies. PCT 2024. Communications in Computer and Information Science. 2024. Vol. 2241. P. 107-121. DOI: 10.1007/978-3-031-73372-7_8.
  8. Алеева B.H. Разработка программных систем автоматизированного проектирования и исполнения программ для эффективной реализации численных алгоритмов на основе концепции Q-детерминанта // Вестник НГУ. Серия: Информационные технологии. 2025. Т. 23, № 1. С. 5-18. DOI: 10.25205/1818-7900-2025-23-1-5-18.
  9. Ершов Ю. Л., Палютин Е. А. Математическая логика. М.: Наука, 1987. 336 с.
  10. Алеева В.Н., Зотова П.С., Склезнев Д. С. Расширение возможностей исследования ресурса параллелизма численных алгоритмов с помощью программной Q-системы // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 2. С. 66-81. DOI: 10.14529/cmse210205.
  11. Aleeva V. N. Improving Parallel Computing Efficiency // Proceedings — 2020 Global Smart Industry Conference, GloSIC 2020. IEEE. 2020. P. 113-120. Article number 9267828. DOI: 10.1109/GloSIC50886.2020.9267828.
  12. Aleeva V., Bogatyreva E., Skleznev A., et al. Software Q-system for the Research of the Resource of Numerical Algorithms Parallelism // Supercomputing. RuSCDays 2019. Communications in Computer and Information Science. 2019. Vol. 1129. P. 641-652. DOI: 10.1007/978-3-030-36592- 9_52.
  13. Соколов М.П. Разработка программного обеспечения для формирования Q-
  14. детерминантов численных алгоритмов с Q-термами большой длины // Вып. квалиф. работа бакалавра по направлению «Фундаментальная информатика и информационные технологии»: 02.03.02 / Южно-Уральский государственный университет. Челябинск. 2020. 32 л. [Электрон, pec.]:    http://omega.sp.susu.ас.ru/publications/bachelorthesis/2020_402_sokolovmp.pdf
  15. (Дата обращения: 15 декабря 2025 года).
  16. Суперкомпьютер «Торнадо ЮУрГУ». [Электрон, рес.]: http://supercomputer.susu.ru/ computers/tornado/ (Дата обращения: 15 декабря 2025 года).
  17. Соколов М. П. Формирование представлений алгоритмов в форме Q-детерминантов на кластерных вычислительных системах // Вып. квалиф. работа магистра по направлению «Фундаментальная информатика и информационные технологии»: 02.04.02 / Южно-Уральский государственный университет. Челябинск. 2022. 40 л. [Электрон, рес.]: http://omega.sp.susu.ru/ publications/masterthesis/2022_220_sokolovmp.pdf (Дата обращения: 15 декабря 2025 года).
  18. Oseledets I., Tyrtyshnikov Е. TT-cross approximation for multidimensional arrays // Linear Algebra and its Applications, 2010. Vol. 432. N 1, P. 70-88. DOI: 10.1016/j.laa.2009.07.024.
  19. Oseledets I.V. Tensor-Train Decomposition // SIAM Journal on Scientific Computing (SISC), 2011. Vol. 33. N 5, P. 2295-2317. DOI: 10.1137/0907522

Библиографическая ссылка: Алеева В. Н. , Соколов М. П. Формирование представлений алгоритмов для программных систем на основе концепции Q-детерминанта //"Проблемы информатики", 2026, № 1, с.5-23.  DOI: 10.24412/2073-0667-2026-1-5-23.
 

А. Ю. Власенко, М.А. Городничев, М.А. Курбатов*
Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
Новосибирский государственный технический университет, 630073, Новосибирск, Россия
* Новосибирский национальный исследовательский государственный университет, 630090, Новосибирск, Россия

СИСТЕМА ОТЛАДКИ ПРОСТЫХ ВЫЧИСЛИТЕЛЬНЫХ МОДЕЛЕЙ В ГРАФОВОМ ПРЕДСТАВЛЕНИИ

УДК 004.4
DOI: 10.24412/2073-0667-2026-1-24-39
EDN: NPOQMK
Вычислительные модели (ВМ) — формализм для представления знаний о вычислениях в предметных областях. ВМ определяет множество переменных, соответствующих величинам предметной области, и множество операций, выражающих функциональные связи между величинами. Выбор подмножеств V — известных величин — и Ж — искомых величин — определяет постановку задачи на ВМ, а подмножество операций и переменных, связанных отношением частичного порядка, задающее схему вычисления W по V, называется (V, W)-планом. При соответствующей компьютерной реализации величин и операций обеспечивается возможность автоматизированного решения задач на основе ВМ. Построение ВМ — сложная задача, требующая значительных навыков и опыта.
Возможно допустить ряд ошибок, как при разработке ВМ, так и при постановке задач, вследствие чего решений у задачи может либо не быть вообще, либо они могут существенно отличаться в зависимости от выбора (V, W)-плана. Следовательно, необходима разработка системы отладки ВМ, проводящей ряд проверок над ВМ в автоматизированном режиме и способной выполнять анализ поставленных (V, W)-задач. Настоящая статья посвящена описанию такой системы.
Ключевые слова: вычислительная модель, высокопроизводительные вычислительные системы, двудольный граф, автоматизированная отладка, визуализация.

Исследования выполнены в рамках государственного задания ИВМиМГ СО РАН FWNM-2025-0005.

Список литературы

  1. Вальковский В. А., Малышкин В. Э. Синтез параллельных программ и систем на вычислительных моделях. Новосибирск: Наука, 1988. 129 с.
  2. Малышкин В. Э., Корнеев В. Д. Параллельное программирование мультикомпьютеров: учебник. Новосибирск: Изд-во НГТУ, 2006. 296 с.
  3. Тыугу Э. X. Концептуальное программирование. М.: Наука, 1984. 256 с.
  4. Gorodnichev М., Lebedev, D. Semantic tools for development of high-level interactive applications for supercomputers // J. Supercomput. 2021. P. 11866-11880. DOI: https://doi.org/ 10.1007/sll227-021-03731-6.
  5. Malyshkin V., Akhmed-Zaki D., Perepelkin V. Parallel programs execution optimization using behavior control in LuNA system //J. Supercomput. 2021. P. 9771-9779. DOI: 10.1007/sl 1227-02103654-2.
  6. Kotkas V., Ojamaa A., Grigorenko P., Maigre R., Harf M., Tyugu E. CoCoAhLa as a multifunctional simulation platform // SIMUTOOLS 2011 — 4th International ICST Conference on Simulation Tools and Techniques: March 21-25. Barcelona, Spain: Brussels: ICST, 2011. P. 1-8.
  7. Феоктистов А. Г., Костромин P. О., Воскобойников M. Л., Ли-Дэ Д. И. Организация вычислительной среды разработки и применения научных рабочих процессов на основе контейнеризации // Вычислительные технологии. 2023. Т. 28. № 6. С. 151-164.
  8. Курбатов М. А. Поиск ошибок во фрагментированных программах с помощью абстрактного синтаксического дерева // Материалы 62-й Международной научной студенческой конференции. Новосибирск, 2024. С. 158-159.
  9. Malyshkin V., Vlasenko A., Michurov М. Automated Debugging of Fragmented Programs in LuNA System // D. Balandin et al. (Eds.): 22nd International Conference, MMST 2022, Nizhny Novgorod, Russia, November 14-17, 2022. CCIS 1750. P. 266-280. DOI: 10.1007/978-3-031-24145- 1_22.
  10. Власенко А. Ю., Мичуров M. А., Царев В. Д., Курбатов М. А. Построение комплекса автоматизированной отладки фрагментированных программ // Вестник НГУ. Серия: Информационные технологии. 2024. Т. 22. № 1. С. 5-20. DOL 10.25205/1818-7900-2024-22-1-5-20.
  11. Gorodnichev М. A., Nalepova Е. D., Merkulova Е. A., Rudych Р. D., Savostyanov А. N. Automation of EEG Data Processing with HPC Community Cloud // IEEE 24th International Conference of Young Professionals in Electron Devices and Materials (EDM), Novosibirsk, Russian Federation, 2023. P. 1320-1323. DOL 10.1109/EDM58354.2023.10225226.
  12. Fielding R. T. REST: Architectural Styles and the Design of Network-Based Software Architectures. Doctoral Dissertation, University of California, 2000.
  13. Ахо А. В., Хопкрофт Дж. Э., Ульман Дж. Д. Структуры данных и алгоритмы. М.: Вильямс, 2003. С. 189-197.
  14. Кнут Д. Э. Искусство программирования. Т. 1. 3-е изд. М.: Вильямс, 2006. С.174-175.

Библиографическая ссылка: Власенко А.Ю. , Городничев М. А. , Курбатов М. А. Cистема отладки простых вычислительных моделей в графовом представлении   //"Проблемы информатики", 2026, № 1, с.24-39.  DOI: 10.24412/2073-0667-2026-1-24-39.

А. Р. Герб, Е. Е. Девятых, Г. А. Омарова
Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
Новосибирский государственный университет, 630090, Новосибирск, Россия

ОПТИМИЗАЦИИ АЛГОРИТМА ПОИСКА к КРАТЧАЙШИХ ПУТЕЙ

УДК 519.17—51-7
DOI: 10.24412/2073-0667-2026-1-40-49
EDX: RGXRWO
В работе исследуются алгоритмы поиска к кратчайших путей. Реализован оптимизированный алгоритм для нахождения к кратчайших простых (без петель) путей в ориентированном графе. Алгоритм основан на идеях классической версии алгоритма Иена и алгоритма построения обратного дерева, обе реализации имеют сложность О(kn(m + n log n)).
Ключевые слова: граф, путь, простой путь, дерево, обход графа.

Исследования выполнены в рамках государственного задания ИВМиМГ СО РАН FWNM-2025-0001.

Список литературы

  1. Egli W., Kraus М. Shortest paths in chemical kinetic applications // Phys. Chem. Chem. Phys. 2003. Vol. 5. P. 3916-3920.
  2. Yen Jin Y., Finding the К shortest loopless paths in a network // Manag. Sci. 1971. Vol. 17. P. 712-716.
  3. Hoffman R., Pavley R. A method for the solution of the nth best path problem // J. of the Association for Computing Machinery. 1959. Vol. 6, N 4. P. 506-515.
  4. Bellman R., Kalaba R. On kth best policies // J. of SIAM. 1960. Vol. 8, N 4. P. 582-588.
  5. Bock F., Kanther H., Haynes J. An algorithm (the rh best path algorithm) for findinq and ranking paths through a network // Research Report, Armour Research Foundation. Chicago, Illinois, 1957.
  6. Clarke S., Krikorian A., Rausan J. Computing the N best loopless paths in a network // J. of SIAM. 1963. Vol. 11, N 4. P. 1096-1102.
  7. Dijkstra E. W. A note on two problems in connexion with graphs // Numerische Mathematik. 1959. Vol. 1. P. 269-271.
  8. Pollack M. The kth best route through a network // Operations Research. 1961. Vol. 9, N 4. P. 578.
  9. Sakarovitch M. The k shortest routes and the k shortest chains in a graph // Operations Research Center Report N 66-32. University of California, Berkeley. 1966.
  10. Coudert D., Al Zoobi A., Nisse N. Space and time trade-off for the k shortest simple paths problem space and time trade-off for the k shortest simple paths problem // 18th International Symposium on Experimental Algorithms (SEA 2020). Art. N 18. P. 18:1-18:13.
  11. Kurz D., Mutzel P. A sidetrack-based algorithm for finding the k shortest simple paths in a directed graph //In Int. Symp. on Algorithms and Computation (ISAAC), Schloss Dagstuhl, 2016. Vol. 64 of LIPIcs. P. 49:1-49:13.
  12. Frigioni D., Marchetti-Spaccamela A., Nanni U. Fully dynamic algorithms for maintaining shortest paths trees // J. of Algorithms. 2000. Vol. 34, N 2. P. 251-281.
  13. [Электрон, pec.]: https://www.diag.uniromal.it/challenge9/download.html.
  14. [Электрон, pec.]: https://snap.stanford.edu/data/ca-AstroPh.html.
  15. [Электрон, pec.]: https://snap.stanford.edu/data/ca-CondMat.html.
  16. [Электрон, pec.]: https://snap.stanford.edu/data/ca-GrQc.html.
  17. [Электрон, pec.]: https://snap.stanford.edu/data/ca-HepTh.html.

Библиографическая ссылка:  Герб А. Р., Девятых Е. Е., Омарова Г. А. Оптимизации алгоритма поиска k- кратчайших путей //"Проблемы информатики", 2026, № 1, с.40-49.  DOI: 10.24412/2073-0667-2026-1-40-49.

С. С. Кепжаев, А. Р. Ахатов, М.Р. Тоджиев
Самаркандский государственный университет, 703004, Самарканд, Узбекистан

ГИБРИДНЫЙ КОМБИНАЦИОННЫЙ ПОДХОД К КОЛИЧЕСТВЕННОЙ ОЦЕНКЕ ЧУВСТВИТЕЛЬНОСТИ ПРИ
ВЫБОРЕ ФУНКЦИИ ПРИНАДЛЕЖНОСТИ В ПРОЦЕССЕ ФАЗЗИФИКАЦИИ ПАРАМЕТРОВ СЕРВЕРА

DOI: 10.24412/2073-0667-2026-1-50-64
EDX: YHQJXQ
В процессе эффективного управления потоками запросов в информационных системах учет индивидуальных характеристик серверов играет решающую роль. Традиционные алгоритмы балансировки нагрузки, такие как Round Robin, Weighted Round Robin, и методы регионального распределения обычно распределяют запросы циклически или на основе только предопределенных весовых коэффициентов. Эти подходы не учитывают уровни нагрузки серверов в реальном времени, скорость ответа или рабочее состояние. В данной статье предлагается новая модель управления потоками запросов на основе нечеткой логики, с особым вниманием к выбору соответствующих функций принадлежности для лингвистического представления параметров серверов. На этапе фаззификации чувствительность функций принадлежности количественно оценивается и оптимизируется с помощью комбинированного гибридного подхода. Экспериментальные результаты показывают, что правильный выбор функций принадлежности повышает точность принятия решений и снижает степень неопределенности. Следовательно, предложенный подход значительно повышает гибкость, точность и стабильность управления потоками запросов в распределенных серверных средах.
Ключевые слова: фазификация, функции принадлежности, количественная оценка чувствительности, комбинированный гибридный подход, балансировка нагрузки серверов, нечеткая логика, надежность системы, адаптивное управление, лингвистическое моделирование, оптимизация потока запросов, нормализованный индекс чувствительности, система.

Список литературы

  1. Zadeh L. A. Fuzzy sets // Information and Control, 1965. N 8(3). P. 338-353. DOI: https: //doi.org/10.1016/S0019-9958(65)90241-X.
  2. Smith J., Doe A. A fuzzy logic analysis method for evaluating human sensitivities // Journal of Fuzzy Systems, 2018. N 45(3). P. 123-136. DOI: https://doi .org/10.1016/j . jfuzz.2018.01.005.
  3. Gures E., Shayea I., Ergen M., Azmi M.H., El-Saleli A. A. Machine Learning-Based Load Balancing Algorithms in Future Heterogeneous Networks: A Survey // IEEE Access 2022. N 10. P. 37689-37717.
  4. Akhatov A.R., Kenjaev S.S., Tojiev M.R. Improved Round Robin Algorithm Based on Fuzzy Logic and Genetic Algorithm for Server Load Balancing // International Russian Automation Conference (RusAutoCon), Sochi, Russian Federation, 2025. P. 296-301. DOI: 10.1109/RusAutoCon65989.2025.11177403.
  5. Raximov N., Kuvandikov J., Kliasanov D. The importance of loss function in artificial intelligence // International Conference on Information Science and Communications Technologies (ICISCT 20222), DOI: 10.1109/ICISCT55600.2022.10146883.
  6. Asgliari M. Z., Ozturk M., Hamalainen J. Reinforcement Learning Based Mobility Load Balancing with the Cell Individual Offset //In Proceedings of the 2021 IEEE 93rd Vehicular Technology Conference (VTC2021-Spring), Helsinki, Finland, 2021. P. 25-28.
  7. Axatov A., Nurmamatov M., Nazarov F., Sariyev Sh. Genetic algorithm application technology in multi-parameter optimization problems // AIP Conf. Proc., 2024. V. 3244, art. N 030025, DOI: 10.1063/5.0242074.
  8. Forrester Research, Global Digital Experience Benchmark Report, 2023.
  9. Garcia M., Wong T. Fuzzy Membership Function Evaluation by Non-Linear Regression // International Journal of Fuzzy Systems. N 23(1). P. 34-45. DOI: https://doi.org/10.1109/IJFS. 2021.000567.
  10. Scholz-Reiter B. et al. Fuzzy-based load balancing in production control // CIRP Annals, 2015.
  11. Parmanov B.Z., Nazarov F.M., Tojiyev M.R. Development of an Algorithm for Intelligent Analysis of Data From a Microprocessor-Based Portable Spectrophotometer //in Proceedings International Russian Smart Industry Conference, SmartlndustryCon 2025, Institute of Electrical and Electronics Engineers Inc., 2025, P. 664-669. DOI: 10.1109/SmartIndustryCon65166.2025.10985982.
  12. Chen W., Huang J. Sensitivity and robustness analysis of adaptive neuro-fuzzy inference systems // IEEE Transactions on Neural Networks and Learning Systems, 2020. N 31(4). P. 945-957. DOI: https://doi.org/10.1109/TNNLS.2019.2949824.
  13. Gliatak G., De Domenico A., Coupeclioux M. Coverage Analysis and Load Balancing in HetNets With Millimeter Wave Multi-RAT Small Cells // IEEE Trans. Wirel. Commun. 2018. N 17. P. 31543169.
  14. Maruf T. Hazard recognition system based on violation of the integrity of the field and changes in the intensity of illumination on the video image // International Conference on Information Science and Communications Technologies, ICISCT 2022, Institute of Electrical and Electronics Engineers Inc., 2022. DOI: 10.1109/ICISCT55600.2022.10146933.
  15. Axatov A., Nurmamatov М., Nazarov F., Sariyev Sh.. Genetic algorithm application technology in multi-parameter optimization problems // AIP Conf. Proc., 2024. V. 3244, art. N 03002524. DOI: 10.1063/5.0242074.
  16. Nixon M. S. et al. Real-time fuzzy logic-based resource allocation // Journal of Real-Time Systems, 2021.
  17. Parsa S. Adaptive fuzzy load balancing algorithm for heterogeneous distributed systems // Journal of Supercomputing, 2017.
  18. Kenjaev S. S., Rashidov A. E. File storage methods and algorithms for optimal management of various types of data // “Descendants of Al-Farghani” electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi, 2024. V 1. N 3. DOI: 10.5281/zenodo.13954911.
  19. Hatipoglu A., Bagaran M., Yazici, M.A., Durak-Ata L. Handover-based Load Balancing Algorithm for 5G and Beyond Heterogeneous Networks // In Proceedings of the 2020 12th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), Brno, Czech Republic, 2020. P. 5-7.

Библиографическая ссылка:  Кенжаев С. С., Ахатов А. Р.  , Таджиев М. Р.  Гибридный комбинационный подход к количественной оценке чувствительности при выборе функции принадлежности в процессе фаззификации параметров сервера  //"Проблемы информатики", 2026, № 1, с.50-65.  DOI: 10.24412/2073-0667-2026-1-50-65.

В. А. Перепелкин*, С. Б. Арыков**
Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
* Новосибирский национальный исследовательский государственный университет, 630090, Новосибирск, Россия
** Новосибирский государственный технический университет, 630073, Новосибирск, Россия

СОВМЕСТНОЕ ПРИМЕНЕНИЕ КОНЦЕПЦИИ АКТИВНЫХ ЗНАНИЙ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

УДК 004.4’242
DOI: 10.24412/2073-0667-2026-1-65-78
EDN: YKXJIB
В работе рассматриваются возможности совместного использования концепции активных знаний и методов машинного обучения для повышения уровня автоматизации разработки параллельных программ. Концепция активных знаний представляет собой методологию автоматического конструирования программ в конкретных предметных областях. В ее основе лежит идея создания базы активных знаний — специального формализованного описания конкретной предметной области, благодаря чему в этой предметной области существенно снижается сложность автоматического конструирования программ. Методы машинного обучения могут способствовать автоматизации и упрощению создания и использования таких баз активных знаний, снижать порог вхождения в работу с системой автоматического конструирования программ (например, системой LuNA). В работе представлен ИИ-помощник, способный в неформальном общении отвечать на вопросы о системе LuNA и концепции активных знаний. Он реализован на основе большой языковой модели и использует подход RAG для работы с подготовленной для этого текстовой базой знаний. В дальнейшем планируется развивать функциональность ИИ-помощника.
Ключевые слова: концепция активных знаний, система LuNA, машинное обучение, большие языковые модели, ИИ-ассистент.

Работа выполнена в рамках государственного задания ИВМиМГ СО РАН FWNM-2025-0005.

Список литературы

  1. Вальковский В. А., Малышкин В.Э. Синтез параллельных программ и систем на вычислительных моделях / Отв. ред. Котов В.Е.; АН СССР, Сиб. отд-ние, ВЦ. Новосибирск: Наука. Сиб. отд-ние, 1988. 126 с.
  2. Malyshkin V. Active Knowledge, LuNA and Literacy for Oncoming Centuries // LNCS, Vol. 9465. 2015. C. 292-303. DOI: 10.1007/978-3-319-25527-9_19.
  3. Malyshkin V. E., Perepelkin V. A. LuNA Fragmented Programming System, Main Functions and Peculiarities of Run-Time Subsystem // Proceedings of the 11th International Conference on Parallel Computing Technologies (PaCT-2011), LNCS, T. 6873, 2011, C. 53-61. DOI: 10.1007/978-3-642-23178- 0_5.
  4. Arykov, S. Defining Order of Execution in Aspect Programming Language // LNCS. 2017. Vol. 10421. P' 255 261. ISBN 978-3-319-62932-2. DOI: 10.1007/978-3-319-62932-2_25.
  5. Weisz et al. Examining the Use and Impact of an Al Code Assistant on Developer Productivity and Experience in the Enterprise // Proceedings of the Extended Abstracts of the CHI EA ’25 Conference on Human Factors in Computing Systems. Article No. 673. P. 1-13. ISBN: 9798400713958. DOI: 10.1145/3706599.3706670.
  6. Jiang et al. CursorCore: Assist Programming through Aligning Anything // CoRR. Vol. abs/2410.07002. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2410.07002.
  7. Mark Chen et al. Evaluating Large Language Models Trained on Code // CoRR. Vol. abs/2107.03374. 2021. ISSN 2331-8422. DOI: 10.48550/arXiv.2107.03374.
  8. Pandey et al. Transforming Software Development: Evaluating the Efficiency and Challenges of GitHub Copilot in Real-World Projects // CoRR. Vol. abs/2406.17910. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2406.17910.
  9. Gemini Code Assist | Al coding assistant. [Электронный ресурс]: https://developers. google.com/gemini-code-assist/docs/overview (дата обращения: 24.11.2025).
  10. Grok Code Fast 1 Model Card. [Электронный ресурс]: https://data.x.ai/2025-08-26- grok-code-fast-l-model-card.pdf (дата обращения: 03.02.2025).
  11. SourceCraft. Code Assistant. [Электронный ресурс], https://sourcecraft.dev/portal/ code-assistant/ (дата обращения: 22.11.2025).
  12. GigaCode. [Электронный ресурс], https://gigacode.ru/ (дата обращения: 22.11.2025).
  13. Tai Kadosh et al. OMPar: Automatic Parallelization with AI-Driven Source-to-Source Compilation // CoRR. Vol. abs-2409-14771. 2024. ISSN 2331-8422. DOI: 10.48550/arXiv.2409.14771.
  14. Mahmud et al. AutoParLLM: GNN-Guided Automatic Code Parallelization using Large Language Models // CoRR. Vol. abs/2310.04047. 2023. ISSN 2331-8422. DOI: 10.48550/arXiv.2310.04047.
  15. Nichols et al. HPC-Coder: Modeling Parallel Programs using Large Language Models // ISC High Performance 2024 Research Paper Proceedings (39th International Conference). Hamburg, Germany. 2024. P. 1-12. DOI: 10.23919/ISC.2024.10528929.

Библиографическая ссылка: Перепелкин В. А. , Арыков С. Б. Совместное применение концепции активных знаний и методов машинного обучения //"Проблемы информатики", 2026, № 1, с.66-79.  DOI: 10.24412/2073-0667-2026-1-66-79.