2025 №1(66)

1. Родионов А. С., Маткурбанов Т.А., Кхаируллаев У. Б. Построение траектории полета БПЛА для мониторинга сельскохозяйственных земель
2. Ахатов А. Р., Эштемиров Б. Ш., Назаров Ф. М. Методы определения и анализа индекса движения на городских дорогах
3. Алеева В. Н. Подход к эффективной реализации численных алгоритмов
4. Бредихин С. В. Щербакова Н. Г. Взвешенная мультиплексная сеть авторов научного журнала
5. Вишневский В. М., Авраменко Ю. А., Нгуен В. X., Калмыков Н. С. Оценка характеристик производительности беспроводной сети на базе привязных БПЛА

А. С. Родионов*,**. Т. А. Маткурбанов**. У. Б. Кхаируллаев**

ПОСТРОЕНИЕ ТРАЕКТОРИИ ПОЛЕТА БПЛА ДЛЯ МОНИТОРИНГА СЕЛЬСКОХОЗЯЙСТВЕННЫХ ЗЕМЕЛЬ

При использовании сельскохозяйственных земель одной из задач является мониторинг их со­стояния, в частности увлажнения почвы и качества посевов. Для мониторинга используются датчики различного типа, данные с которых необходимо периодически передавать в центр обработки. Проводную сеть датчиков создавать экономически нецелесообразно, используют­ся беспроводные технологии. Время жизни сети датчиков определяется скоростью разряда батарей. Наименее энергозатратной является передача данных по запросу. В условиях обшир­ных сельхозугодий такой сбор возможно организовать с помощью беспилотных летательных аппаратов (БПЛА). В свою очередь, затраты на облет датчиков с целью сбора данных опре­деляются длиной выбранного маршрута. Рассматривается задача построения оптимальной траектории облета для сбора данных. Возможна нехватка горючего (заряда батареи в случае электромотора) БПЛА, и требуется проложить несколько маршрутов ограниченной длины, суммарная длина которых минимальна. В данной работе решается задача оптимизации траек­тории отдельного БПЛА. Ставится задача, аналогичная задаче коммивояжера. Существенной особенностью является возможность одновременного сбора данных от нескольких источни­ков в пределах радиуса радиовидимости, что избавляет от необходимости подлета к каждому из датчиков. В работе экспериментально сравниваются два подхода к решению задачи: ре­шение задачи коммивояжера по предварительно найденным точкам и с удалением из списка непосещенных тех точек, которые находятся в пределах видимости от очередной посещенной. Показано, что в последнем случае алгоритм, лучше решающий классическую задачу комми­вояжера, может уступать более быстрому и менее точному алгоритму решения классической задачи.

Ключевые слова: мониторинг, БПЛА, задача коммивояжера, алгоритм, оптимальный маршрут.

Список литературы

1. Srivastava К., Pandey Р. С., Sharma J. К. An Approach for Route Optimization in Applications of Precision Agriculture Using UAVs // Drones. 2020. V. 4. N 3. [Electron, res.]: https://www.mdpi. com/2504-446X/4/3/58.
2. Cabreira T. M., Brisolara L. B., Ferreira Jr. P. R. Survey on Coverage Path Planning with Unmanned Aerial Vehicles // Drones. 2019. V. 3. N 1. [Electron, res.]: https://www.mdpi.com/2504- 446X/3/1/4.
3. Moses B., Jain L., Finn R., Drake S. Multiple UAVs path planning algorithms: A comparative study // Fuzzy Optimization and Decision Making. 2008. 04. V. 7. P. 257-267.
4. Mannan A., Obaidat M. S., Mahmood K., Ahmad A., Ahmad R. Classical versus reinforcement learning algorithms for unmanned aerial vehicle network communication and coverage path planning: A systematic literature review // International Journal of Communication Systems. 2023. V. 36. N 5. P. e5423. [Electron, res.]: https://onlinelibrary.wiley.com/doi/pdf/10.1002/dac.5423.
5. Khoufi I., Laouiti A., Adjih C. A Survey of Recent Extended Variants of the Traveling Salesman and Vehicle Routing Problems for Unmanned Aerial Vehicles // Drones. 2019. 08. V. 3. P. 66.
6. Тимошенко А. В. и др. Способ построения «субоптимальных» маршрутов мониторинга раз­нотипных источников беспилотным летательным аппаратом // Труды МАИ. 2020. № 111. С. 10.
7. de Berg М., Bodlaender H.L., Kisfaludi-Bak S., Kolay S. An ETH-Tight Exact Algorithm for Euclidean TSP // SIAM Journal on Computing. 2023. V. 52. N 3. P. 740-760.
8. Pekar J., Brezina I., Jaroslav К., Ushakova I., Dorokhov О. Computer tools for solving the traveling salesman problem // Development Management 2020. 06. V. 18. P. 25-39. [Electron, res.]: https://doi.org/10.21511/dm.18(1).2020.03.
9. Karkory F. A., Abudalmola A. A. Implementation of Heuristics for Solving Travelling Salesman Problem Using Nearest Neighbour and Minimum Spanning Tree Algorithms // World Academy of Science, Engineering and Technology, International Journal of Mathematical, Computational, Physical, Electrical and Computer Engineering. 2013. V. 7. P. 1524-1534. [Electron, res.]: https: //api.semanticscholar.org/CorpusID:56966538.
10. Иванов C.B. Методика построения субоптимальных маршрутов для группы беспилотных летательных аппаратов на основе биоинспирированных алгоритмов при наличии препятствий // Системы управления, связи и безопасности. 2022. № 2. С. 1-23.
11. Будаев Д. С. и др. Мультиагентная система согласованного управления группой беспилот­ных летательных аппаратов // Труды XVIII Международной конференции «Проблемы управле­ния и моделирования в сложных системах». Самара. 2016. С. 180-190.
12. Abdulkarim Н., Alshammari I.F. Comparison of Algorithms for Solving Traveling Salesman Problem // International Journal of Engineering and Advanced Technology. 2015. 08. V. ISSN. P. 2249 8958.
13. Helsgaun K. An effective implementation of the Lin-Kernighan traveling salesman heuristic // European Journal of Operational Research 2000. V. 126. N 1. P. 106-130. [Electron, res.]: https: //www.sciencedirect.com/science/article/pii/S0377221799002842.
14. Алехин P. А. и др. Обзор метаэвристических методов оптимизации, применяемых при решении электроэнергетических задач // Вестник Самарского государственного технического университета. Серия: Технические науки. 2019. № 3 (63). С. 6-19.
15. Лю В. Методы планирования пути в среде с препятствиями (обзор) // Математика и математическое моделирование. 2018. № 1. С. 15-58.
16. Семенов С. С. и др. Анализ трудоемкости различных алгоритмических подходов для реше­ния задачи коммивояжера // Системы управления, связи и безопасности. 2017. № 1. С. 116-131.
17. Sahin М. Solving TSP by using combinatorial Bees algorithm with nearest neighbor method // Neural Computing and Applications. 2022. 10. V. 35.
18. Sargolzaei A., Abbaspour A., Crane C.D. Control of Cooperative Unmanned Aerial Vehicles: Review of Applications, Challenges, and Algorithms // Optimization, Learning, and Control for Interdependent Complex Networks / ed. by Amini M.H. Cham: Springer International Publishing, 2020. P. 229 255. [Electron, res.]: https://doi.org/10.1007/978-3-030-34094-0_10.
19. Жук А. А., Булойчик B.M., Акулич C.B. Планирование оптимального маршрута дви­жения беспилотного летательного аппарата по критерию минимума общего расхода топлива // Системный анализ и прикладная информатика. 2022. № 3. С. 43-49.

Библиографическая ссылка: Родионов А. С., Маткурбанов Т.А., Кхаируллаев У. Б. Построение траектории полета БПЛА для мониторинга сельскохозяйственных земель //"Проблемы информатики", 2025, № 1, с.5-17 DOI: 10.24412/2073-0667-2025-1-5-17. – EDN: XFUXBA

А. Р. Ахатов, Б. Ш. Эштемиров, Ф.М. Назаров

Самаркандский государственный университет, 140101, Самарканд, Узбекистан

МЕТОДЫ ОПРЕДЕЛЕНИЯ И АНАЛИЗА ИНДЕКСА ДВИЖЕНИЯ НА ГОРОДСКИХ ДОРОГАХ

Пробки на дорогах стали серьезной проблемой, влияющей на экономику, экологию и общее благополучие городских жителей в быстро урбанизирующемся ландшафте 21-го века. Для эф­фективного решения и уменьшения последствий пробок становится все более и более важным разрабатывать и использовать расчеты индекса загруженности дорог (RCI). Значимость RCI и его влияние на будущее города были рассмотрены в этой статье. Для анализа транспортного потока индекс загруженности дорог имеет решающее значение. Оценка загруженности дорог, планирование движения и организация управления дорогами, а также способность водителей и пассажиров принимать обоснованные решения о дорожном движении зависят от расчета и анализа индекса загруженности. Был рассмотрен ряд подходов к индексу оценки. Пробки на дорогах влияют на экономику, окружающую среду, общественное здравоохранение и общее качество жизни, поэтому крайне важно решать эту проблему по ряду причин. Кроме того, это снижает общую эффективность и приводит к потере топлива и времени. Поскольку они облегчают передвижение людей и автомобилей, эффективные трехполосные системы имеют важное значение для экономического роста. С дорожным движением также связаны значи­тельные финансовые затраты, такие как повышенный расход топлива, более высокие расходы на техническое обслуживание автомобилей и более длительные задержки грузов, что может привести к повышению цен на товары и услуги.

Ключевые слова: городские пробки, индекс пробок, степень насыщенности, средняя ско­рость, интервал скорости, цвет отображения карты.

Список литературы

1. Nazarov F.M., У. S. S. o’g’li, Е. В. S. o’g’li. Algorithms То Increase Data Reliability In Video Transcription // 2022 IEEE 16th International Conference on Application of Information and Communication Technologies (AICT), Washington DC, DC, USA, 2022, P. 1-6, DOI: 10.1109/AICT55583.2022.10013558.
2. Ghosh B., Basu B., O’Mahony M. Bayesian Time-Series Model for Short-Term Traffic Flow Forecasting //J. Transp. Eng. 2007. N 133. P. 180-189.
3. Chow A.H., Santacreu A., Tsapakis I., Tanasaranond G., Cheng T. Empirical assessment of urban traffic congestion //J. Adv. Transp. 2014. N 48. P. 1000-1016.
4. Guo J., Huang W., Williams B.M. Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification // Transp. Res. Part C 2014. N 43. P. 50-64.
5. Yang Q., Zhang B., Gao P. Based on improved dynamic recurrent neural network for short time prediction of traffic volume //J. Jilin Univ. Eng. Edit. 2012. N 4. P. 887-891.
6. Shankar H., Raju P. L.N., Rao K.R.M. Multi model criteria for the estimation of road traffic congestion from traffic flow information based on fuzzy logic //J. Transp. Technol. 2012. N 2. P. 50.
7. Li S., Da Xu L., Zhao S. 5G Internet of Things: A survey. J. Ind. Inf. // Integr. 2018. N 10. P. 1-9.
8. Duan W., Gu J., Wen M., Zhang G., Ji Y., Mumtaz S. Emerging Technologies for 5G-IoV Networks: Applications, Trends and Opportunities // IEEE Netw. 2020. N 34. P. 283-289.
9. Wang Z., Li T., Xiong N., Pan Y. A novel dynamic network data replication scheme based on historical access record and proactive deletion //J. Supercomput. 2012. N 62. P. 227-250.
10. Ahmad M., Chen Q., Khan, Z. Microscopic Congestion Detection Protocol in VANETs //J. Adv. Transp. 2018, 2018, 6387063.
11. Makhmadiyarovich N.F., Sherzodjon Y. Methods of increasing data reliability based on distributed and parallel technologies based on blockchain // Artificial Intelligence, Blockchain, Computing and Security Volume 2. eBook ISBN: 9781032684994, P. 637-642, January 2023.
12. Akhatov A., Rashidov A., Renavikar A. Optimization of the database structure based on Machine Learning algorithms in case of increased data flow // Artificial Intelligence. Blockchain. Computing and Security Volume 2, CRC Press, 2023. P. 675-680.
13. Guo W., Xiong N., Vasilakos, A. V., Chen G., Cheng H. Multi-source temporal data aggregation in wireless sensor networks // Wirel. Pers. Commun. 2011. N 56. P. 359-370.
14. Shang Q., Lin C., Yang Z., et al. Short-term traffic flow prediction model using particle swarm optimization-based combined kernel function-least squares support vector machine combined with chaos theory //J. Advances in Mechanical Engineering, 2016. N 8. P. 1-12.
15. Rashidov A., Akhatov A., Aminov L, Mardonov D. Distribution of data flows in distributed systems using hierarchical clustering // International conference on Artificial Intelligence and Information Technologies (ICAIIT 2023), Uzbekistan, Samarkand, 2023.
16. Sabharwal M., Nazarov F.M., Eshtemirov B. Effectiveness Analysis Of Blockchain Mechanisms Using Consensus Algorithms // 2022 4th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), ISBN: 978-1-6654-7436-8/22/, DOI: 10.1109/ICAC3N56670.2022.10074408, 16-17 December, 2022.
17. Nazarov F.M., Yarmatov S. Optimization of Prediction Results Based on Ensemble Methods of Machine Learning // 2023 International Russian Smart Industry Conference (SmartlndustryCon), Sochi, Russian Federation, 2023, P. 181-185, DOL 10.1109/SmartIndustryCon57312.2023.10110726.
18. Akhatov A., Nazarov F. M., Eshtemirov B. Detection and analysis of traffic jams using computer vision technologies // International conference on Artificial Intelligence and Information Technologies (ICAIIT 2023). Uzbekistan, Samarkand, 2023. N 2. P. 761-766.

Библиографическая ссылка: Ахатов А. Р., Эштемиров Б. Ш., Назаров Ф. М. Методы определения и анализа индекса движения на городских дорогах //"Проблемы информатики", 2025, № 1, с.18-28 DOI: 10.24412/2073-0667-2025-1-18-28. – EDN: XXXLMB

В.Н. Алеева

Южно-Уральский государственный университет (НИУ), 454080, Челябинск, Россия

ПОДХОД К ЭФФЕКТИВНОЙ РЕАЛИЗАЦИИ ЧИСЛЕННЫХ АЛГОРИТМОВ

В статье рассмотрен метод проектирования эффективных программ для реализации числен­ных алгоритмов, основанный на авторской концепции Q-детерминанта. Разработанные с помо­щью метода эффективные программы называются Q-эффективными. Они используют ресурс параллелизма алгоритмов полностью. Приводится обзор численных алгоритмов, для которых разработаны Q-эффективные программы. Введено понятие вычислительной инфраструктуры программы. Доказано, что каждая из Q-эффективных программ, реализующих один и тот же численный алгоритм, является самой эффективной для своей вычислительной инфраструкту­ры среди программ, реализующих тот же алгоритм. Проведенное исследование обосновывает теоретическую и практическую значимость метода проектирования эффективных программ для реализации численных алгоритмов.

Ключевые слова: повышение эффективности параллельных вычислений, Q-детерминант алгоритма, представление алгоритма в форме Q-детерминанта, Q-эффективная реализация алгоритма, ресурс параллелизма алгоритма, Q-эффективная программа.

Список литературы

1. Aleeva V., Aleev R. 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.
2. Алеева B.H. Анализ параллельных численных алгоритмов. Препринт № 590. Новосибирск: ВЦ СО АН СССР, 1985. 23 с.
3. Ершов Ю. Л., Палютин Е. А. Математическая логика. М.: Наука, 1987. 336 с.
4. Алеева В.Н., Зотова П.С., Склезнев Д.С. Расширение возможностей исследования ре¬сурса 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.
5. 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.
6. Aleeva V. N., Aleev R. Zh. High-Performance Computing Using Application of Q-determinant of Numerical Algorithms // Proceedings — 2018 Global Smart Industry Conference, GloSIC 2018. IEEE. 2018. 8 p. Article number 8570160. DOI: 10.1109/GloSIC.2018.8570160.
7. 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.
8. McColl W.F. General Purpose Parallel Computing // Lectures on Parallel Computation, Cambridge International Series on Parallel Computation. USA: Cambridge University Press, 1993. P. 337-391.
9. Valiant L. G. A bridging model for parallel computation // Communications of the ACM. 1990. Vol. 33, no. 8. P. 103-111. DOI: 10.1145/79173.79181.
10. Leung J.Y.-T., Zhao H. Scheduling problems in master-slave model // Annals of Operations Research. 2008. Vol. 159. P. 215-231. DOL 1007/sl0479-007-0271-4.
11. Aleeva V. Designing a Parallel Programs on the Base of the Conception of Q-Determinant // Supercomputing. RuSCDays 2018. Communications in Computer and Information Science. 2019. Vol. 965. P. 565-577. DOL 10.1007/978-3-030-05807-4_48.
12. Суперкомпьютер «Торнадо ЮУрГУ». [Электрон. Рес.]: http://supercomputer.susu.ru/ computers/tornado/. Дата обращения: 17.09.2024.
13. Открытая энциклопедия свойств алгоритмов. [Электрон. Рес.]: https://algowiki¬project. org/ru. Дата обращения: 17.09.2024.
14. Валькевич Н.В. Q-эффективная реализация алгоритма умножения матриц на суперком-пьютере «Торнадо ЮУрГУ»// Вып. квалиф. работа бакалавра по направлению «Фундаментальная информатика и информационные технологии»: 02.03.02 / Южно-Уральский государственный университет. Челябинск. 2017. 33 л. [Электрон. Рес.]: http://omega.sp.susu.ru/publications/ bachelorthesis/17-Valkevich.pdf. Дата обращения: 17.09.2024.
15. Тарасов Д. Е. Q-эффективный кодизайн реализации метода Гаусса-Жордана на суперком-пьютере «Торнадо ЮУрГУ» // Вып. квалиф. работа магистра по направлению «Фундаменталь-ная информатика и информационные технологии»: 02.04.02 / Южно-Уральский государственный университет. Челябинск. 2017. 41 л. [Электрон. Рес.]: http://omega.sp.susu.ru/publications/ masterthesis/17- Tarasov. pdf. Дата обращения: 17.09.2024
16. Лаптева Ю. С. Q-эффективная реализация метода Якоби для решения СЛАУ на суперком- пвютере «Торнадо ЮУрГУ» // Вып. квалиф. работа бакалавра по направлению «Фундаменталь¬ная информатика и информационные технологии»: 02.03.02 / Южно-Уральский государственный университет. Челябинск. 2017. 30 л. [Электрон. Рес.]: http://omega.sp.susu.ru/publications/ bachelorthesis/17-Lapteva.pdf. Дата обращения: 20.09.2024.
17. Баженова Л. А. Применение метода проектирования Q-эффективной программы для ре¬шения системы сеточных уравнений // Вып. квалиф. работа бакалавра по направлению «Фун¬даментальная информатика и информационные технологии»: 02.03.02 / Южно-Уральский госу¬дарственный университет. Челябинск. 2018. 30 л. [Электрон. Рес.]: http://omega.sp.susu.ru/ publications/bachelorthesis/18-Bazhenova.pdf. Дата обращения: 20.09.2024.
18. Кондакова А. С. Разработка Q-эффективной программы для решения пятиточечных раз¬ностных уравнений методом простой итерации и исследование ее динамических характеристик // Вып. квалиф. работа магистра по направлению «Фундаментальная информатика и инфор¬мационные технологии»: 02.04.02 / Южно-Уральский государственный университет. Челябинск. 2019. 40 л. [Электрон. Рес.]: http://omega.sp.susu.ru/publications/masterthesis/2019_220_ kondakovaas.pdf. Дата обращения: 20.09.2024.
19. Нечепоренко А.Д. Разработка Q-эффективной программы для решения СЛАУ мето¬дом Гаусса-Зейделя // Вып. квалиф. работа бакалавра по направлению «Фундаментальная информатика и информационные технологии»: 02.03.02 / Южно-Уральский государственный университет. Челябинск. 2018. 32 л. [Электрон. Рес.]: http://omega.sp.susu.ru/publications/ bachelorthesis/18-Necheporenko .pdf. Дата обращения: 20.09.2024.
20. Алеева В.Н., Шатов М.Б. Применение концепции Q-детерминанта для эффективной реа¬лизации численных алгоритмов на примере метода сопряженных градиентов для решения систем линейных уравнений // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 3. С. 56-71. DOI: 10.14529/cmse210304.
21. Dijkstra Е. W. A note on two problems in connexion with graphs // Numerische Mathematik. 1959. Vol. 1. P. 269-271. DOI: 10.1007/BF01386390.
22. Алеева B.H., Манатин П.А. Применение метода проектирования Q-эффективных про¬грамм для алгоритма Дейкстры. // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2023. Т. 12, № 2. С. 62-77. DOI: 10.14529/cmse230203.
23. SCISPACE. Ответ на вопрос «How does parallel computing improve the efficiency of AI algorithms?». [Электрон. Pec.]: https://typeset.io/questions/how-does-parallel-computing- improve-the-efficiency-of-ai-5gkdumloct. Дата обращения: 09.2024.
24. Сапожников А. С. Применение метода проектирования Q-эффективных программ к ме¬тоду стохастического градиентного спуска для обучения нейронных сетей // Вып. квалиф. ра¬бота магистра по направлению «Программная инженерия»: 09.04.04 / Южно-Уральский госу¬дарственный университет. Челябинск. 20 43 л.[Электрон. Рес.]: https://sp.susu.ru/student/ masterthesis/2024_229_sapoznikovas .pdf. Дата обращения: 23.09.2024.
25. Воеводин В. В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург, 2002. 608 с.
26. 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               

Библиографическая ссылка: Алеева В. Н. Подход к эффективной реализации численных алгоритмов //"Проблемы информатики", 2025, № 1, с.29-44 DOI: 10.24412/2073-0667-2025-1-29-44. – EDN: QALLET

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

ВЗВЕШЕННАЯ МУЛЬТИПЛЕКСНАЯ СЕТЬ АВТОРОВ НАУЧНОГО ЖУРНАЛА

Мультиплексная сеть, состоящая из множества узлов, связанных отношениями нескольких типов, представленных слоями, рассматривается как модель комплексной системы. Изучается двухслойная взвешенная мультиплексная сеть, учитывающая два типа бинарных отношений между авторами статей научного журнала: соавторство и цитирование. Первый слой — взве­шенная сеть соавторства, связь между авторами устанавливается при наличии хотя бы одной совместной публикации. Второй слой — взвешенная ориентированная сеть цитирования, связь между авторами устанавливается, если автор (соавтор) статьи указывает в списке литературы статью, в которой участвует цитируемый автор. На основании реальных данных построена мо­дель мультиплексной сети авторов научного журнала и измерены параметры, определяющие ее характерные свойства. Использованный метод позволил выявить схемы взаимодействия авторов, корреляции между весами узлов и определить параметры моделируемой сети.

Ключевые слова: комплексные системы, анализ данных, многослойные сети, научное соавторство, цитирование, библиометрия.

Исследования выполнены в рамках государственного задания ИВМиМГ СО РАН (FWNM-2024-0005). 

Список литературы

1. Albert R., BarabAsi A.-L. Statistical mechanics of complex networks // Rev. Mod. Phys. 2002. V. 74. P. 47-97. DOL 10.1103/RevModPhys.74.47.
2. Newman M. E. J. The structure and function of complex networks // SIAM Rev. 2003. V. 45. P. 167-256. DOI: 10.1137/S003614450342480.
3. Boccaletti S., Latora V., Moreno Y., Chavez M., Hwang D-U. Complex networks: Structure and dynamics // Phys. Rep. 2006. V. 424. P.175-308. DOI: 10.1016/j.physrep.2005.10.009.
4. Newman M. E. J. Scientific collaboration networks. I. Network construction and fundamental results // Phys. Rev. E. 2001. V. 64, iss. 1, 016131. DOI: 10.1103/PhysRevE.64.016131.
5. Newman M. E. J. Scientific collaboration networks. II. Shortest paths, weighted networks, and centrality // Phys. Rev. E. 2001. V. 64, iss. 1, 016132. DOI: 10.1103/PhysRevE.64.016132.
6. Barabasi A. L., Jeong H., Neda Z., Ravasz E., Schubert A., Vicsek T. Evolution of the social network of scientific collaborations // Phys. A. 2002. V. 311. P. 590-614. DOI: 10.48550/arXiv.cond-mat/0104162.
7. Uddin S., Hossain L., Abbasi A., Rasmussen K. Trend and efficiency analysis of co­authorship network // Scientometrics. 2012. V. 90, N 2. P. 687-699. DOI: 10.1007/slll92-011-0511-x.
8. Cho H., Yu Y. Link prediction for interdisciplinary collaboration via co-authorship network // Soc. Network Analysis and Mining. 2018. 8, 25. DOI: 10.1007/sl3278-018-0501-6.
9. CHUAN P. M., Son L. H., Аы M. ET AL. Link prediction in co-authorship networks based on hybrid content similarity metric // Appl. Intell. 2018. 48. P. 2470-2486. DOL 10.1007/sl0489-017- 1086-x.
10. Savic M., Ivanovic M., Radovanovic M., Ognjanovic Z., Pejovic A. Exploratory analysis of communities in co-authorship networks: A case study // Intern. Conf, on ICT Innovations. Springer, 2019. P. 55-64. ISBN 978-3-319-91194-6.
11. Щербакова Н. Г. Моделирование групповых взаимодействий комплексных систем. Об­зор // Пробл. информ. 2022. N 3. С. 24-45. DOI: 10.24412/2073-0667-2022-3-24-45.
12. Borgatti S. Р., Everett М. G. Network analysis of 2-mode data // Soc. Networks. 1997. V. 19. P. 243-269. DOI: 10.1016/S0378-8733(96)00301-2.
13. Faust K. Centrality in affiliation networks // Soc. Networks. 1997. V. 19. P. 157-191. DOI: 10.1016/80378-8733(96)00300-0.
14. Wasserman S., Faust K. Social Network Analysis. Cambridge, UK: Cambridge Univ. Press, 1984. ISBN 978051185478.
15. Бредихин С. В., Щербакова H. Г., Юргенсон A. H. Модель сети соавторства науч­ного журнала. Часть 2 // Пробл. информ. 2023. № 4(61), С. 57-72. DOI: 10.24412/2073-0667-2023­4-57-72.
16. Estrada Е., Rodriguez-Velazquez J. A. Subgraph centrality in complex networks // Phys. Rev. E 71, 056103. 2005. DOI: 10.1103/PhysRevE.71.056103.
17. Han, Y., Zhou, B., Pei, J., Jia, Y. Understanding importance of collaborations in coauthorship networks: A supportiveness analysis approach // Proc, of the 2009 SIAM Intern. Conf, on Data Mining. 2009. P. 1112-1123. DOI: 10.1137/1.9781611972795.95.
18. Бредихин С. В., Щербакова H. Г. Модель сети соавторства научного журнала // Пробл. информ. 2023. № 3. С. 5-18. DOI: 10.24412/2073-0667-2023-3-5-18.
19. De Domenico М., Sole-Ribalta A., Cozzo Е., Kivelа М., Moreno Y., Porter М. А., Gomez S. and Arenas A. Mathematical formulation of multilayer networks // Phys. Rev. X. 2013. V. 3, 041022. DOI: 10.1103/PhysRevX.3.041022.
20. Boccaletti S., Bianconi G., Criadod R., del Genio C.I., Gomez-Gardenes J., Romance M., SendiNa-Nadal I., Wang Z., Zanin M. The structure and dynamics of multilayer networks // Phys. Rep. 2014. V. 544, iss. 1. DOI: 10.1016/physrep.2014.07 001.
21. Kivelа M., Arenas A., Barthelemy M., Gleeson G. P., Moreno Y., Porter M. A. Multilayer networks // J. of Complex Networks. 2014. V. 2. P. 203-271. DOI: 10.1093/comnet/cnu016.
22. Bianconi G. Statistical mechanics of multiplex networks: entropy and overlap // Phys. Rev. E. 2013. V. 87, iss. 6. 062806. DOI: 10.1103/PhysRevE.87.062806.
23. Battiston F., Iacovacci J., Nicosia V., Bianconi Ginestra, Latora V. Emergence of multiplex communities in collaboration networks // PLoS ONE. 2016. V. 11, iss. 1, e0147451. DOI: 10.1371/journal.pone.0147451.
24. Cardillo A., Gomez-Gardenes J., Zanin M., Romance M., Papo D., del Pozo F., BOCCALETTI S. Emergence of network features from multiplexity // Scientific Rep. 2013. V. 3, 1344. DOI: 10.1038/srep01344.
25. SZELL M., Lambiotte R., Thurner S. Multirelational organization of large-scale social networks in an online world // Proc. Natl. Acad. Sci. U.S.A. 2010. V.107, iss. 31. P. 13636-13641. DOI: 10.1073/pnas.1004008107.
26. Nicosia, V., Latora V. Measuring and modeling correlations in multiplex networks // Phys. Rev. E. 2015. V. 92, 032805. DOI: 10.1103/PhysRevE.92.032805.
27. Menichetti G., Remondini D., Panzarasa P., Mondragon R. J., Bianconi. Weighted Multiplex Networks // PLoS ONE. 2014. V. 9, iss.6, e97857. DOI: 101371/journal pone 0097857.
28. Tuninetti M., Aleta A., Paolotti D., Moreno Y., Starnini M. Prediction of scientific collaborations through multiplex interaction networks // Phys. Rev. Research. 2020. V. 2, 042029. DOI: 10.1103/PhysRevResearch.2.042029.
29. Battiston F., Nicosia V., Latora V. Structural measures for multiplex networks // Phys. Rev. E. 2014. V. 89, 032804. DOL 10.1103/PhysRevE.89.032804.
30. De DOMENICO M. Multilayer networks: Analysis and visualization. Springer, 2021. ISBN 978­3-030-75718-2 (eBook)
31. Barrat A., Barthelemy М, Pastor-Satorras R., Vespignani A. The architecture of complex weighted networks // PNAS. 2004. V. 101. P. 3747-3752. DOI: 10.1073/pnas.0400087101.
32. GuimerA R., Amaral L.A.N. Cartography of complex networks: modules and universal roles // J. Stat. Meeh. 2005, P02001. DOI: 10.1088/1742-5468/2005/02/P02001.

Библиографическая ссылка: Бредихин С. В. Щербакова Н. Г. Взвешенная мультиплексная сеть авторов научного журнала //"Проблемы информатики", 2025, № 1, с.45-59 DOI: 10.24412/2073-0667-2025-1-45-59. – EDN: BHCALJ

В.М. Вишневский*,**, Ю.А. Авраменко*, В.Х. Нгуен**, Н. С. Калмыков*