Разработка системы безопасности в локальной сети

190 
 
Национальный    доход  Казахстана  –  это  нефть  и  сельское  хозяйство.  38%  процентов  дохода 
страны  приходится  именно  на  сельское  хозяйство.  К  нашему  счастью  наша  страна  богата 
различными  ресурсами,  но  особенно  она  богата  ресурсами  земельными.  Земельные  площади 
Казахстана  составляют  двести  двадцать  два  с  половиной  миллионов  гектар.  Восемьдесят  два 
процента из  его  общих земельных площадей используется для сельскохозяйственного  угодья. Более 
тридцати  шести  миллионов  гектар  составляют  пашни,  по  их  площадям  Казахстан  занимает  шестое 
место  в  мире.  Казахстан  всегда  занимал  не  плохие  места  по  производству  сельскохозяйственных 
культур,  так  допустим,  в  2001  году  мы  заняли  третье  место  по  производству  зерновых  и 
зернобобовых культур. 
Сельское  хозяйство  –  это  одна  из  отраслей  экономики,  к  состоянию  которого  трепетно 
относятся как граждане нашей страны, так и сам президент. 
Оно  играет  важную  роль,  но  многие  факторы  тормозят  развитие  сельского  хозяйства  и  самый 
важный  фактор  –  это  недостаток  квалифицированных  кадров,  вследствие  чего  нет  современной 
техники, не развита селекция, нет новых методов посадки и так далее, которые не дают возможность 
получения максимального результата. 
При  изучении  данной  области,  проводились  наблюдения  в  Енбекшиказахском  районе 
Алматинской области, поселке Каратурык, где люди зарабатывают на хлеб в основном  земледелием: 
выращиванием овощей, яблок и  табака.  
В  ходе  наблюдения  было  замечено,  что  весь  процесс  выращивания  культуры  состоит  из 
следующих этапов: 
- подготовительные работы; 
- посев; 
- уход; 
- сбор. 
Подготовительные  работы  –  процесс,  при  котором  идет  подготовка  земли  для  посева  и 
подготовка  саженцев.  Именно  здесь  проводится  анализ  почвы,  удобрение  почвы,  капельное 
орошение,  анализ семян.  
Посев  -    это  внесение  семян  в  специально  подготовленную  почву.  Это  один  из  сложных  и 
важных процессов, который в свою очередь делится на: 
- определение способа посева; 
- вычисление сроков посева; 
- вычисление глубины заделки семян. 
Для  определения  способа  посева,  срока  посева  и  глубины  заделки  семян  фермеры  три  раза  в 
сутки проверяют температуру почвы и влажность.  
После  посева,  следующим  процессом  является  уход,  к  которому  относятся    поливные  работы, 
прополка, удобрения. 
В  зависимости  от  погодных  условий  и  определяется  тип  ухода:  боронование,  культивация, 
прополка, полив. А количество удобрения необходимо рассчитывать, опираясь на анализ почвы. 
Завершающим  процессом  является  «Сбор»,    когда  владелец  получает  и  собирает  урожай  для 
реализации и получения прибыли. 
После наблюдения, была замечена следующая проблема. С каждым годом люди получают все 
лучше результаты посадки, опираясь на свои предыдущие опыты. Но фермеры при посадке культуры  
всегда  идут  на  большой  риск.  Начинающие  фермеры,  от  не  знания,  садят  культуру  в  той  почве,  в 
какой придется, а затем возмущаются, что культура не проросла; садят то количество семян, которое 
смогли купить и при этом, даже не вычисляя сроки посадки семян, глубину заделки семян; удобряют 
в том количестве, в каком смогли, что не есть хорошо и все это в итоге приводит к тому, что фермер 
разочаровывается,  и  весь  труд  его  пропадает  даром.  А  опытные  фермеры,  для  получения  хорошего 
результата  проводят  огромную  работу:  постоянное  слежение  температуры  и  влажности,  подсчет 
количества  семян,  подсчет  необходимого  количества  удобрения,  анализ  земли,  вычисление  срока 
посева, сам посев, уход.  
Таким  образом,  успех  зависит  от  того,  как  фермер  будет  управлять  всем  процессом  
производства  сельскохозяйственных  продуктов.  Управление  подразумевает  под  собой  принятие 
решений  по  выбору  почвы,  культуры,  сортов,  удобрения  и  т.д.  с  целью    минимизации  затрат  и 
максимизации  прибыли,  то  есть  эффективное  и  рациональное  использование  материальных, 
трудовых и финансовых ресурсов. 
Управление  в  сельском  хозяйстве  в  значительной  степени  предполагает  принятие  решений  в 
условиях  неопределенности,  обусловленной  тремя  основными  причинами:  отсутствие  текущих 

191 
 
данных  о  состоянии  природы;  недостаточность  знаний  о  биологических  и  физических  системах; 
случайный характер протекающих процессов. 
 Учитывая  исключительную  важность  сельского  хозяйства  в  вопросах  обеспечения  населения 
продуктами питания, актуальной является задача эффективного управления процессом  производства 
сельскохозяйственных  продуктов  с  тем,  чтобы  максимально  повысить  урожайность  с  целью 
получения максимальной прибыли.  
В  настоящее    время  принятие  решений  обычно    основывается  на  отдельных  расчетах  и 
экспертных оценках, т.е. на «ручных» способах обработки информации. 
В  связи  с  вышесказанным  в  настоящем  проекте  рассматриваются  вопросы  автоматизации 
управления  процессом    производства  сельскохозяйственных  продуктов.  Автоматизация  достигается 
за счет создания интеллектуальной системы поддержки принятия решения, которая поможет фермеру 
принять эффективное решение по выбору почвы, культуры, сортов, удобрения и т.д. 
Цель  обычной  СППР  заключается  не  столько  в  автоматизации  процесса  принятия  решения, 
сколько  в  осуществлении  кооперации,  взаимодействия  между  системой  и  человеком  в  процессе 
принятия решений. Мы же предлагаем разработать интеллектуальную  систему поддержки принятия 
решения  ИСППР,  в  основе  которой  лежит  технология  Data  Mining  –  технология    обнаружения  в 
сырых    данных  ранее  неизвестных,  нетривиальных,  практически  полезных  и  доступных 
интерпретации  знаний,  необходимых  для  принятия  решений  в  различных  сферах  человеческой 
деятельности.  
Говоря  о  ИСППР,    мы  имеем  в  виду  достаточно  сложную  архитектуру  создаваемой  системы, 
включающую  в  себя  хранилище  данных,  базу  знаний  экспертов,  базу  математических  моделей, 
геоинформационную  систему  (ГИС),  датчики  сбора  данных,  интерфейсы  передачи  данных  между 
ИСППР и датчиками сбора данных (Рисунок 1). 
 
 
Рисунок 1. Структурная схема ИСППР «Сельское хозяйство»
 
 
Предполагается,  что    пользователями  данной  системы  могут  быть  не  только  специалисты, 
которые    непосредственно    занимаются  земледелием,  но  и  научные  работники,  занимающиеся 
научными исследованиями  в области сельского хозяйства.
 
В 
настоящей 
статье 
рассматривается 
решение 
следующей 
задачи. 
Перед  
агропредпринимателем  стоит  задача:  сколько  гектаров  взять  в  аренду  и  какую  культуру  посадить, 
чтобы  получить  высокий  урожай  и  максимальную  прибыль.  Урожайность    культуры  зависит  от 
региона,  то  есть  почвы,  погодных  условий  и  сортов  культуры.  Прибыль  в  свою  очередь  зависит  от 
урожайности и от цены сорта культуры на рынке 
 Для  выбора  культуры,  которую  наиболее  выгодно  выращивать  в  данном  регионе  с  точки 
зрения урожайности и прибыльности перелагается использовать программу статистического анализа  
STATISTICA.  Система STATISTICA производится фирмой StatSoft Inc., (США), основанной в 1984 г.  
STATISTICA  —  это  интегрированная  система  анализа  и  управления  данными.  STATISTICA  —  это 

192 
 
инструмент  разработки  пользовательских  приложений  в  бизнесе,  экономике,  финансах, 
промышленности,  медицине,  страховании  и  других  областях.  STATISTICA  легка  в  освоении  и 
использовании [5]. 
Для определения оптимальной площади и оптимального распределения данной площади под сорта 
выбранной  культуры      используются  модели  и  методы  теории  игр.  Теория  игр —  это  раздел 
математической  экономики,  изучающий  решение  конфликтов  между  игроками  и  оптимальность  их 
стратегий [7].  Конфликтная ситуация — ситуация, в которой сталкиваются интересы двух и более лиц. 
В  нашем  случае  имеется  конфликтная  ситуация  между  агропредпрнимателем  и  погодой. 
Предположим,  что  агропредпрниматель  может  посеять  три  сорта  культуры    А
1
,  А
2
,  А
3, 
  которые 
являются  его  стратегиями.
 
Погода  в  свою  очередь  тоже  имеет  три  стратегии:  может  быть  сухой  В
1
, 
нормальной В
2
, дождливой В
3. 
В качестве демонстрационного примера были взяты следующие данные (Рисунок 2). 
 
 
 
Рисунок 2. Стастистические данные 
 
Ниже приведена часть пилотного проекта ИСППР «Сельское хозяйство» 
Интеллектуальная  информационная  система  поддержки  и  принятия  решения  модуля 
«Агроном»  содержит следующие окна: 
- окно входа и регистрации; 
- основная форма; 
- окно «Калькуляция»; 
- окно «Аналитика»; 
- окно «Прогнозирование»; 
- окно «План»; 
- окно «База знаний». 
 
 
 
Рисунок 3. Главное окно 
 
Так  как  в  системе  два  типа  доступа,  необходимо  окно  входа  или  регистрации.  В  этом  окне 
содержится  поле  для  ввода  логина  и  пароля.  Логин  всегда  остается  стандартным,  это  «Админ»  и 
«Пользователь».  В  поле  пароль  заказчик  установит  пароль  на  каждую  категорию  по  –  своему 
усмотрению (Рисунок 4). 

193 
 
 
  
Рисунок 4. Окно регистрации данных 
 
Основная  форма.  В  данном  окне  содержатся  основные  данные,  благодаря  которому  можно 
пройти к различным функциям и процессам системы. 
Имеется основное меню, где находятся: 
- файл – в этой вкладке содержатся функции системы; 
- вид – в этой вкладке можно включать и отключать подсказки; 
- справка – в этой вкладке содержится  справочный материал относительно системы и способы 
решения определенных задач; 
- выход – для выхода из системы. 
В  основном  окне  имеется  база,  где  для  пользователя  отображается  список  агрокультур, 
посаженных на данном хозяйстве. 
Так же имеется функция вычисления наиболее подходящей почвы по выбору вида, типа, сорта 
культуры и вида удобрения. 
Функции кнопок: 
Инженерный калькулятор – кнопка открытия окна «Калькуляция». 
Аналитика – кнопка открытия окна «Аналитика». 
База знаний – кнопка открытия окна «База знаний». 
Data Mining – кнопка открытия окна «Data Mining». 
План – кнопка открытия окна «План». 
Поиск – кнопка для осуществления поиска по БД. 
Сортировка – кнопка для сортировки базы данных, для получения необходимых данных с БД. 
Запрос – кнопка для составления запроса. 
База данных – кнопка, которая открывает всю базу данных. 
Импорт – кнопка, благодаря которой можно импортировать различные БД, для осуществления 
определенных операций. 
Экспорт  –  кнопка,  благодаря  которой  можно  экспортировать  данные  в  текстовый  документ 
WORD, EXCEL и так далее.  
Выход – кнопка для выхода из системы (Рисунок 5). 
 
 
 
Рисунок 5. Основная форма 
 

194 
 
Форма  «Калькуляция».  В  этой  форме  производится  расчет  количества  саженцев,  семян  и 
необходимого количества удобрения в зависимости от стадии обработки. 
Для калькуляции необходимо указать следующие данные: 
- площадь (га); 
- вид культуры; 
- тип культуры; 
- сорт культуры; 
- вид удобрения; 
В подокне результаты можно получить расчеты (Рисунок 6). 
 
 
 
Рисунок 6. Калькуляция 
 
Форма «Data Mining». В данной форме можно получить сравнительные диаграммы, по которым 
можно сделать выводы, какую культуру выгоднее садить, сколько прибыли можно получить, сколько 
необходимо  вложить  для  реализации  данной  культуры.  Сравнительные  диаграммы  строятся  за 
период: год, месяц, неделя. 
Функции кнопок: 
Импорт данных – данная кнопка осуществляет импорт данных, которые необходимо сравнить и 
построить диаграммы. 
Экспорт данных – данная кнопка позволяет импортировать данные в текстовый документ. 
Построить – данная кнопка позволяет построить сравнительные диаграммы. 
Печать – кнопка для передачи результатов на печать. 
Выход – закрытие формы (Рисунок 8). 
 
 
 
Рисунок 7. Окно загрузки базы данных Data Mining 
 

195 
 
 
 
Рисунок 8. Аналитика Data Mining 
 
Форма  «Прогнозирование».  В  данной  форме  осуществляется  прогнозирование  прибыльности 
агрокультуры  с  учетом  метеорологических  условий.  Этот  модуль  имеет  выход  к  глобальной  сети 
интернет, где получает данные относительно погоды и даты. Далее система, опираясь на теорию игр 
и  современные  технологии  интеллектуальных  систем  принятия  решений,  определяет  наиболее 
вероятный  результат.  Система  учитывает  одну  культуры,  но  разные  сорта  и  опираясь  на 
метеорологические  данные  определяет,  какой    сорт  данного  вида  культуры  более  выгоднее 
выращивать, какой  вид более холодоустойчивый (Рисунок 9). 
 
 
 
Рисунок 9. Окно прогнозирования 
 
ЛИТЕРАТУРА 
1.  Проблемы  устойчивого  развития  аграрного  сектора  Республики  Казахстан  в  условиях  вступления  в 
ВТО / Под ред. О.Сабдена; М-во образования и науки РК, Ин-т экономики. — Алматы: Ин-т экономики МОН 
РК, 2006. — 38 с.  
2. Проблемы информатизации агропромышленного комплекса. -http://articlekz.com/node/1542  
3.  Внедрение  новых  информационных  технологий  и  развитие  коммуникационного  обеспечения  в 
контексте обеспечения национальной безопасности Казахстана .- http://articlekz.com/node/3207 
4.  Путькина  Л.  В.,  Пискунова  Т.  Г.  Интеллектуальные  информационные  системы;  СПбГУП  -  Москва, 
2008. - 228 c. 
5. Программа статистического анализа Statistica.- http://bourabai.kz/tpoi/statistica/  
6.  А.А.  Барсегян,  М.С.  Куприянов,  В.В.  Степаненко,  И.И.  Холод  Методы  и  модели  анализа  данных: 
OLAP и Data Mining 
7.  Губко М.В., Новиков Д.А. — Теория игр в управлении организационными системами. 
 
 
 
 

196 
 
Аңдасбаева С.А., Осипов А.Б., Таранов Р.А., Ни А.Г. 
Интелектуалдық шешім қабылдау сүйеніш жүйесі "ауыл шаруашылық" 
Түйіндеме.  Интелектуалдық  шешім  қабылдау  сүйеніш  жүйесінің  негізінде  Data  Mining    технология, 
математикалық  қалыптармен  шешім  қабылдау  теория  әдістері  салынған.    Жасалатын  жүйе  сәулеті  өзіне  ауыл 
шаруашылыққа,  математикалық  қалыптың  базасын,  геоақпарат  жүйені(ГИС),  деректердің  жиынының 
бергіштерін, интерфейстерді деректердің берілісінің ара ИСППР және деректердің жиынын кіргізеді. 
Түйін сөздер: Ақпараттық технологиялар, ақпараттық жүйелер, Data Mining технологиясы, қағидасының 
бекітілу сөзінің зияткерлік жүйесінің ауылшарушылық технологиясы. 
 
Andasbaeva S.A., Osipov A.B., Taranov R.A., Ni A.G. 
The intellectual system of support of making decision is "agriculture" 
Summary. Offered intellectual system of support of making decision  technology of Data Mining, mathematical 
models and methods of theory of making decision, is the basis of. Architecture of the created system, plugs  in itself the 
depository of data, base of knowledge of experts on agriculture, base of mathematical models, geographic information 
system(HYBRID-TYPE  DEVICE),  sensors  of  capture  of  data, interfaces  of  communication  of  data  between  ИСППР 
and sensors of capture of data. 
Key  words:  Agriculture,  intellectual  system  of  support  of  decision-making,  information  technologies, 
informative systems, technology of Data Mining, theory of making decision. 
 
 
УДК 004.424 
 
Аскарбеков
 
Д.А. магистрант, 
1 
Мурзахметова
 
У.А.
2
 
1
Международный университет информационных технологий, 
2
Казахский национальный технический 
университет имени К.И. Сатпаева, г.Алматы, Республика Казахстан, askarbekov_dias@mail.ru 
 
СПОСОБЫ РЕАЛИЗАЦИИ d – МЕРНЫХ КЛЕТОЧНЫХ АВТОМАТОВ 
 
Аннотация.  В  статье  дан  обзор  главных  направлений  теории  однородных  структур  автоматов, 
составляющей  один  из  важнейших  разделов  теории  клеточных  автоматов.  Клеточный  автомат  –  дискретная 
динамическая  система,  представляющая  собой  совокупность  одинаковых  клеток,  одинаковым  образом 
соединенных  между  собой,  затем  образующий  решетку  клеточного  автомата.  Решетки  бывает  разные, 
отличающие как по размерности, так и по форме клеток. 
Каждая клетка является  конечным автоматом, состояния которого  определяются состояниями соседних 
клеток  и,  возможно,  ее  собственным  состояниям.  При  аппаратной  реализации  клеточные  автоматы  называют 
однородными структурами. 
Однородные  структуры  представляют  собой  бесконечную  сеть  автоматов,  функционирование,  которой 
описывают пространственные характеристики реальных и абстрактных дискретных процессов, возникающих в  
науках об обществе и в технике. Также рассмотрены методы моделирования и реализации клеточных автоматов 
в качестве формальных моделей самовоспроизведения организмов d – мерной размерностью.  
Ключевые  слова:  клеточные  автоматы,  однородные  структуры,  моделирование,  теория 
самовоспроизводящихся автоматов, d – мерные клеточные автоматы. 
 
Во  всем  многообразии  математических  моделей  особый  класс  представляют  собой  клеточные 
автоматы  (КА),  применяемые  для  моделирования  динамического  поведения  однородных  сред.  При 
этом пространство и время считаются дискретными, а величины, описывающие состояние системы, в 
каждой точке моделируемой среды могут принимать конечное множество дискретных значений.  
Впервые  идею  клеточных  автоматов  сформулировал  Джон  фон  Нейман  в  1948  г.  в  качестве 
биологической  идеализации  самовоспроизводства,  затем  описав  их  в  своей  работе  [Теория 
самовоспроизводящихся  автоматов]  в  1971  году.  Большой  интерес  к  ним  вызван  тем,  что  такие 
автоматы  являются  универсальной  моделью  параллельных  вычислений  подобно  тому,  как  машины 
Тьюринга являются универсальной моделью для последовательных вычислений. [1]. 
Модель  клеточных  автоматов  также  может  использоваться  при  эскизном  проектировании  
мультипроцессорных  систем  или  при  исследовании  сравнительно  простых  чисел  интеллектуальных 
систем.  Прикладное  значение  КА  связано  с  их  использованием  в  качестве  метода  математического 
моделирования.  Например,  на  языке  клеточных  автоматов  моделируются  процессы  и  механизмы 
диффузии  для  тех  или  иных  физических  или  физико-химических  законов,  также  рассчитываются 
пространственно-распределенные  системы,  включая  квантовые.  В  материаловедении  известны 
применения моделей клеточных автоматов процесса травления для получения пористого кремния [2].  

197 
 
Клеточные  автоматы  моделируют  процессы,  изучаемые  синергетикой.  Синергетика  является 
наукой, которая изучает совместное согласованное поведение многих элементов как единого целого в 
составе одной системы и она занимается поиском общих закономерностей в разнообразных явлениях. 
Синергетика  находит  свои  приложения    в  компьютерной  технике  и  информатике  (к  примеру 
распознавание образов 
, моделирование распространения вирусов). 
Актуальность клеточно-автоматных моделей на сегодняшний день продолжается расти по мере 
распространения  параллельных  вычислений.  В  первую  очередь  это  объясняется  нарастанием 
интереса  к  использованию  и  дальнейшему  развитию  моделей,  основанных на  концепции  клеточных 
автоматов.  Клеточные  автоматы  в  последние  годы  эффективно  используются  для  моделирования 
динамики информационных потоков и диффузии информации [3].  
С  2007  года  начался  новый  этап  исследований  и  разработок  в  области  клеточных  автоматов, 
направленный на моделирования различных динамических процессов [4]. 
Клеточные  автоматы  являются  дискретными  динамическими  системами,  поведение  которых 
полностью определяется в терминах локальных зависимостей, в значительной степени так же обстоит 
дело для большого класса непрерывных динамических систем, определенных уравнениями в частных 
производных.  
Клеточный  автомат  состоит  из  бесконечной  (на  самом  деле  –  прямоугольной,  ограниченной) 
решетки  клеток,  каждая  из  этих  клеток  находится  в  одном  из  нескольких возможных  состояний 
(множество  этих  состояний  конечно).  Решетки  могут  быть  разных  типов,  отличаясь  как  по 
размерности,  так  и  по  форме  клеток.  С  каждым  шагом  все  клетки  одновременно  меняют  свое 
состояние в соответствии с набором некоторых правил, называемых функцией перехода, задаваемой 
нулевой  формулой  и  имеющей  в  качестве  входных  параметров  состояния  соседних  клеток  и, 
возможно,  состояние  самой  клетки  на  предыдущем  шаге.  Видимость  того,  что  преобразования 
происходят параллельно и достигается за счет того, что новые значения состояний для каждой клетки 
замещают  старые  только  после  завершения  последовательного  вычисления  новых  состояний  для 
каждой клетки. 
Клеточные автоматы в общем случае реализуется в следующем виде: 
1)  вводятся  два  массива  для  хранения  состояний  клеток:  первый  содержит  текущее  состояние 
каждой клетки, а второе – новое (для каждой клетки); 
2)  определяется  функция  переходов  клетки  решетки,  она  задается  в  виде  нулевой  формулы  и 
вычисляет  новое  состояние  для  конкретной  клетки,  используя  в  качестве  входных  параметров 
текущие значения состояний соседних клеток, возможно, включая текущее значение  состояния этой 
клетки;  
3)  на  нулевом  шаге  производится  заполнение  первого  массива  начальными  данными,  то  есть 
заполнение решетки;  
4)  для  вычисления  новых  состояний  вводится  цикл;  на  очередной  итерации  этого  цикла  для 
каждой  клетки  с  помощью  функции  переходов  вычисляется  её  новое  состояние,  в  качестве 
переменных используются соответствующие элементы первого массива (старые значения), а ее новое 
состояние помещается во второй массив;  
5)  после  завершения  итерации  (заполнения  второго  массива)  значения  из  всех  элементов 
второго массива переносятся в первый массив;  
6) осуществляется визуализация содержимого решетки:  
 для одномерной (линейной) решетки после каждой итерации выводится соответствующая  ей 
строка;  
 для  двумерной  (плоскостной)  решетки  после  каждой  итерации  выводится  матрица  значений 
клеток решетки.  
В двумерном (плоскостном) клеточном автомате решетка реализуется двумерным массивом. В 
ней  каждая  клетка  имеет  восемь  соседей.  Для  устранения  краевых  эффектов  решетка 
«заворачивается» в тор. Иногда удобнее рассматривать не всех «соседей» клетки, а только «главных» 
(лишь те, которые имеют с ней общую сторону), в таком случае мы получаем окрестность из четырех 
клеток. 
Функция переходов для двумерного клеточного автомата с окрестностью состоит из восьми клеток: 
y'[i][j] = f(y[i][j], y[i-1][j], y[i-1][j+1], y[i][j+1], y[i+1][j+1], y[i+1][j], y[i+1][j-1], y[i][j-1], y[i-1][j-1]). 
Наиболее  известным  из  двумерных  клеточных  автоматов  является  автомат,  моделирующий 
игру  «Жизнь»,  предложенный  в  1970  г.  Джоном  Конвеем  [5].  В  этом  автомате,  клетки  могут 
находиться в двух состояниях. Функция переходов клеток реализует следующие условия: 

198 
 
 если  данная  клетка  мертва  (находится  в  состоянии  «ноль»),    то  она  оживет  (перейдет  в 
состояние «единица») при условии, что у нее имеется ровно три живых соседа; 
 если данная клетка жива, то она останется живой только при условии, что у нее есть два или 
три живых соседа и умрет в противном случае. 
В  этой  игре  интерес  представляет  наблюдение  за  развитием  популяции  клеток  при  различных 
начальных условиях. 
       В  трехмерном  клеточном  автомате  решетка  реализуется  трехмерным  массивом. 
Трехмерные клеточные автоматы позволяют моделировать пространственные процессы. 
 
 
         
                   
 
 
Рисунок 1. Модели клеточных автоматов в 3d - пространстве 
 
Для  реализаций  эмуляций  3-х  мерных  клеточных  автоматов  используется  OpenGL  с 
использованием библиотеки Freeglut в языке программирования Delphi 7, который позволяет создать 
пространство, обеспечивающий вращение, приближение, отдаление объектов в пространстве. 
 
     
   
 
 
Рисунок 2. Эмуляций  3d – мерных клеточных автоматов  
 
В  настоящее  время  для  реализации  3-х  мерных  клеточных  автоматов  используют  пакет 
Mathcad,  реализованным  клеточных  автоматов  «Жизнь».  Игра  «Жизнь»  оказала  определённое 
влияние на развитие многих разделов математики и информатики. 
Множество правил для клеточного автомата «Жизнь», состоит в следующем [6]:  
- клетка может находиться в двух состояниях: активном и пассивном;  
- клетка остается активной («выживает») на следующем шаге, если имеет две или три активных 
клетки в окрестности;  
-  клетка  становится  пассивной  («умирает»),  если  в  окрестности  имеется  3  и  более  активных 
клеток (из-за перенаселения) или менее 2 активных клеток (из-за обособленности);  
- клетка становится активной («рождается»), на следующем временном шаге, если имеет строго 
3 активных («живых») соседа;  

199 
 
- каждая клетка имеет 8 соседей: клетки, которые имеют с ней общие стороны или вершины;  
- изменение состояния всех клеток происходит одновременно. 
В игре «Жизнь» встречаются самые разнообразные конфигурации «живых клеток»:  
- конфигурации, которые вымирают за конечное число шагов;  
-  устойчивые  или  стационарные  конфигурации,  то  есть  конфигурации,  которые  в  точности 
воспроизводятся на каждом временном шаге; 
-  периодически  меняющиеся  конфигурации,  то  есть  конфигурации,  которые  претерпев  ряд 
изменений,  через  несколько  шагов  возвращаются  в  исходное  состояние,  после  чего  процесс 
повторяется вновь;  
- движущиеся конфигурации;  
- «генераторы» – конфигурации, которые порождают новые конфигурации.  
Для  моделирование  и  реализации  пакета  Mathcad  должны  предоставить  следующий  пакет 
документов:  
1. Задание размерности поля  
2. Задание индексов массива значений  
3. Формирование начального состояния популяции  
4. Задание функции, возвращающей вектор из N элементов, состоящий из двумерных массивов 
размерности,  отражающих  состояние  популяции  на  каждом  отдельном  шаге.  Аргументами  функции 
являются начальное состояние популяции и число отсчетов времени. 
Надо  отметить,  что  в  настоящее  время  активно  развивается  такая  наука,  как  синергетика.  Ее 
название  происходит  от  греческих  слов  «син»  –  совместный  и  «эргос»  –  действовать.  Поэтому 
синергетика  –  это  наука  о  совместном  согласованном  поведении  многих  элементов,  как  единого 
целого  в  составе  сложной  системы.  Исходя  из  этого,    следует,    что    данная    работа    может  
рассматриваться    как  введение  в  «синергетику»,  визуально  описывающие  свойства  и  структуры  в 
разной  области  науки  и  техники.  Клеточные  автоматы  можно  использовать  и  реализовать  для 
удобного  и  гибкого  программирования  законов  и  их  взаимодействия,  удобный  графический 
интерфейс  для  двумерной  и  трехмерной  визуализации  полученных  результатов  и  для  вывода 
статистической обработки полученных изображений. В завершении следует использовать созданную 
программу  для  моделирования  материаловедческих  задач  (т.е.  локальное  электромагнитное  поле, 
плазмонный  резонанс  наночастиц  различной  формы,  диффузия  в  мембранах,  перемагничивание 
наночастиц и т.д.). 
 
ЛИТЕРАТУРA  
1. Тофоли Т., Марголус Н. Машины клеточных автоматов. – М.: «Мир», 1991. – 280 с. 
2. Than O. and Buttgenbach S. Simulation of anisotropic chemical etching of crystalline silicon  sing a cellular 
automata model //Sensors and actuators. Part a. October. 1994. 
3.  Ландэ  Д.В.  Модель  диффузии  информации  //  Информационные  технологии  и  безопасность. 
Менеджмент  информационной  безопасности.  Сборник  научных  трудов  Института  проблем  регистрации 
информации. – Вып. 10. – 2007. – С. 51-67. 
4.  Аноприенко  А.Я.,  Плотников  Д.Ю.,  Малёваный  Е.Ф.,  Моделирование  реальных  вероятностных 
процессов  на  базе  клеточных  автоматов  с  ограничениями  //  Збірка  матеріалів  I  Всеукраїнської  науково-
технічної конференції студентів, аспірантів та молодих вчених ІУС ТА КМ-2010. 
5. Гарднер, М. Математические досуги – М. : Мир, 1972.  
6. Введение в математическое моделирование : уч. пособие [Текст] – М. : «Интермет Инжиниринг», 2000.  
 
 
 
Аскарбеков
 
Д.А., Мурзахметова
 
У.А.
 

жүктеу/скачать

Достарыңызбен бөлісу: