- •Вопросы госэкзамена по направлению
- •09.03.03 «Прикладная информатика», 2020-2021 уч.Год Дисциплина «Вычислительные системы, сети и телекоммуникации»
- •Понятие вычислительной системы; архитектура и организация; этапы развития
- •Краткая характеристика первого и второго поколений вычислительных систем
- •Технические новации вычислительных систем третьего поколения
- •Специфика вычислительных систем четвертого и пятого поколений
- •Концепция вычислительной машины с хранимой в памяти программой
- •Классификация вычислительных систем, таксономия Флинна
- •Основная память вычислительной машины; временные характеристики
- •Структура вычислительной машины фон Неймана
- •Устройство управления вычислительной машины фон Неймана
- •Арифметико-логическое устройство, укрупненное представление тракта данных
- •Управление трактом данных, стек, машинный цикл с прерыванием
- •Шестиуровневая модель современной вычислительной системы
- •Параллельные вычислительные системы, закон Амдала
- •Параллелизм
- •Параллелизм на уровне инструкций
- •Параллелизм данных
- •Параллелизм задач
- •Распределённые операционные системы
- •Закон Амдала
- •Эталонная модель взаимодействия открытых систем
- •Физический уровень модели osi/rm
- •Потенциальная скорость передачи данных; формулы Шеннона и Найквиста
- •Канальный уровень модели osi/rm; система стандартов ieee 802
- •Межсетевой уровень модели osi/rm
- •Транспортный уровень модели osi/rm
- •Назначение и примеры реализации уровней 5, 6, 7 модели osi/rm
- •Дисциплина «Сетевое управление и протоколы»
- •Стеки коммуникационных протоколов
- •Способы и протоколы маршрутизации в ip-сетях
- •Адресация в сетях ip, классы сетей
- •Структурирование ip-сетей с помощью подсетей; маски подсетей
- •Протокол iPv6
- •Дисциплина «Мультимедиа технологии»
- •Психофизиологический закон Вебера-Фехнера
- •Кривые равной громкости; динамический диапазон
- •Восприятие сложных звуков, критические полосы
- •Градиент передачи яркости, гамма-коррекция
- •Цветовые модели
- •Цветовые стандарты
- •Цветовое пространство yCbCr
- •Цветовая субдискретизация
- •Дисциплина «Методы обработки аудио и видео данных»
- •Дискретизация, теорема Котельникова
- •Квантование; шум квантования
- •Основы устранения избыточности и сжатия аудиоданных с потерями
- •Характеристики электронных изображений
- •Растрово-пиксельный принцип электронного изображения
- •Дисциплина «Статистическая обработка информации»
- •Разделы статистической обработки информации: теория оценок, теория проверки статистических гипотез
- •Смещенность оценки; примеры смещенных и несмещенных оценок
- •Состоятельность оценки; примеры состоятельных и несостоятельных оценок
- •Эффективность оценки; функции штрафа и риска
- •Смещенность симметричного распределения: выборочное среднее, выборочная медиана, усеченное среднее
- •Метод моментов: пример нахождения параметров равномерного распределения
- •Оценка закона распределения случайной величины: эмпирическая интегральная функция распределения
- •Оценка закона распределения случайной величины: метод гистограмм
- •Коэффициенты асимметрии и эксцесса; диаграммы Каллена-Фрея
- •Дисциплина «Построение и анализ графовых моделей»
- •Графы: определения, соотношение числа ребер и вершин
- •Изоморфизм графов, примеры
- •Пути, цепи, циклы; связность графов; алгоритм нахождения компонент связности
- •Эйлеров цикл: определение, условие существования, алгоритм нахождения
- •Гамильтонов цикл: определение, алгоритм нахождения на основе динамического программирования
- •Деревья: остовное дерево, алгоритм Крускала
- •Способы хранения структуры графа в эвм
- •Алгоритм поиска кратчайшего пути в графе
- •Задача о коммивояжере: оптимальный и эвристический алгоритмы решения
- •Раскраска графов, эвристический алгоритм раскраски
- •Дисциплина «Имитационное моделирование»
- •Входные потоки заявок смо: классификация и основные характеристики
- •Модель сервера смо
- •Модель буфера смо; дисциплины обслуживания
- •Классификация Кендалла
- •Теорема Литтла
- •Время пребывания заявки в системе типа m/m/1; среднее количество заявок в системе
- •Три леммы о пуассоновском потоке (слияние, расщепление, выход m/m/1)
- •Расчет однонаправленных сетей массового обслуживания (сети Джексона)
Раскраска графов, эвристический алгоритм раскраски
Точные методы раскраски графа сложны для программной реализации. Однако существует много эвристических процедур раскрашивания, позволяющих находить хорошие приближения для определения хроматического числа графа. Такие процедуры также могут с успехом использоваться при раскраске графов с большим числом вершин, где применение точных методов не оправдано ввиду высокой трудоемкости вычислений.
Из эвристических процедур раскраски следует отметить последовательные методы, основанные на упорядочивании множества вершин.
В одном из простейших методов вершины вначале располагаются в порядке убывания их степеней. Первая вершина окрашивается в цвет 1; затем список вершин просматривается по убыванию степеней и в цвет 1 окрашивается каждая вершина, которая не является смежной с вершинами, окрашенными в тот же цвет. Потом возвращаемся к первой в списке неокрашенной вершине, окрашиваем ее в цвет 2 и снова просматриваем список вершин сверху вниз, окрашивая в цвет 2 любую неокрашенную вершину, которая не соединена ребром с другой, уже окрашенной в цвет 2 вершиной. Аналогично действуем с цветами 3, 4 и т. д., пока не будут окрашены все вершины. Число использованных цветов будет тогда приближенным значением хроматического числа графа.
Эвристический алгоритм раскраски вершин графа имеет следующий вид:
Шаг 1. Сортировать вершины графа по степеням убывания:
deg(xi) ≥ deg(xj), ∀xi,xj ∈ G; Установить текущий цвет p=1; i=1.
Шаг 2. Выбрать очередную не раскрашенную вершину из списка и назначить ей новый цвет: col(xi)=p; Xp={xi}.
Шаг 3. i=i+1. Выбрать очередную не раскрашенную вершину xi и проверить условие смежности: xi ∩Г(Xp)=∅, где Xp – множество вершин, уже раскрашенных в цвет p. Если вершина xi не является смежной с данными вершинами, то также присвоить ей цвет p: col(xi)=p.
Шаг 4. Повторить п.3, пока не будет достигнут конец списка (i=n).
Шаг 5. Если все вершины графа раскрашены, то – конец алгоритма;
Иначе: p=p+1; i=1. Повторить п.2.
Дисциплина «Имитационное моделирование»
Входные потоки заявок смо: классификация и основные характеристики
Классификация потока входных заявок
Стохастический (случайный) |
Детерминированный (неслучайный) Пример – Расписание поездов на вокзале |
Стационарный
Потоки Пальма (рекуррентные) Длительности интервалов между моментами поступления соседних запросов являются случайными величинами u1,u2,…,un, которые попарно статистически независимы и имеют одну и ту же плотность распределения вероятностей fu(x)
Потоки Пуассона ( ϭu = mu, следовательно, vu=1) Является важнейшим частным случаем рекуррентного потока)
|
Нестационарный (нестационарность обусловлена тем, что интенсивность потока измеряется во времени (например, метро в час пик и в обычное время)) |
|
Потоки заявок
Однородные Неоднородные
(Все заявки имеют (Заявки имеют разные
одинаковый приоритет) приоритеты)
Характеристики входного потока:
Коэффициент вариации v – характеризует уровень случайности входного потока
v=ϭumu
vu=0 для детерминированных потоков, для реальных – vu=(0; 1].
Интенсивность λ – характеризует сколько в среднем обслуживается заявок за единицу времени
Закон распределения
Пуассоновский поток
Важнейший частный случай рекуррентного потока. Плотность распределения задается формулой экспоненциального распределения:
fux=1e-λx
Является простейшим и ни от чего не зависит.
∆t~exp(λ)
t=Mt
Mt=1 t=1 } νt=1
Детерминированный поток
t=0 ⇒ νt=0
По равномерному закону t~U(a,b)
M∆t=a+b2
t=D=(b-a)212=b-a23
t=b-ab+a13
Если b≈a t≈0
Если ba t13≈0.6
Эрланговский поток
По уровню случайности является промежуточным между детерминированным и Пуассоновским.
Эрланговский поток порядка k получается из пуассоновского потока, в котором оставляется лишь каждая k-ая заявка, а остальные отбрасываются. Это называется прореживанием потока.
Функция fu(x) для эрланговского потока порядка k>1 в общем виде вычисляется довольно сложно, но коэффициент вариации найти не сложно.
t=1k
Чем больше k, тем больше t стремится к нулю.