Новые вычислительные парадигмы привлекают значительное внимание в условиях экспоненциального роста требований к обработке информации. Значительная часть прикладных задач относится к классу NP-трудных, что существенно осложняет получение оптимальных решений с использованием традиционных архитектур. Цель исследования – исследование особенностей и разработка эффективных способов аппаратного ускорения для повышения производительности и снижения временных затрат при решении задач комбинаторной оптимизации в автоматизированных системах управления технологическими процессами. В исследовании использованы модели типовых задач комбинаторной оптимизации в автоматизированных системах управления технологическими процессами с дискретными ограничениями и жесткими временными требованиями. Методология включает системный анализ вычислительных процессов, сравнение последовательной программной реализации алгоритмов с аппаратным ускорением и оценку временной эффективности через математическое моделирование и анализ параллельных архитектур. В статье разработана структурно-функциональная организация гетерогенной вычислительной системы, реализующая физическую декомпозицию задач управления и потокового комбинаторного поиска на базе специализированного аппаратного ускорителя. Предложена математическая модель вычислительного конвейера, подтверждающая достижение детерминированного времени реакции и кратное снижение латентности за счет параллельной аппаратной фильтрации недопустимых вариантов решений. Предложенное решение создает концептуальный базис для унификации аппаратных ускорителей в составе перспективных автоматизированных систем управления технологическими процессами, открывая возможности для внедрения интеллектуальных методов управления в критически важные отрасли промышленности.
New computational paradigms attract substantial attention given the exponential increase in demands for information processing. A large proportion of practical problems belongs to the class of NP-hard ones, significantly complicating the attainment of optimal solutions when using conventional architectural approaches. The research objective is to explore specific characteristics and develop effective techniques for hardware acceleration aimed at enhancing performance and reducing execution times during the resolution of combinatorial optimization problems within automated industrial process control systems. Materials and Methods: The study employs models of typical combinatorial optimization problems encountered in automated process control systems under conditions of discrete constraints and rigid temporal requirements. Methodology encompasses systemic analysis of computational processes, comparative evaluation between sequential programmatic implementations of algorithms and hardware-accelerated variants, as well as assessing time-efficiency via mathematical modeling and examination of parallel architectures. The paper introduces a structurally functional organization of a heterogeneous computing system implementing physical task decomposition and streaming combinatorial search based on specialized hardware accelerators. It proposes a mathematical model of a computational pipeline verifying determinate reaction time and drastic latency reduction achieved by means of parallel hardware filtering of invalid solution candidates. This solution provides a conceptual foundation for standardizing hardware accelerators in advanced automated process control systems, thereby enabling the integration of intelligent management methodologies into critically important industrial sectors.
1. Тырышкин С. Ю. Теория комбинаторной оптимизации и задачи искусственного интеллекта // Автоматизация. Современные технологии. 2025. Т. 79. № 9. С. 416–420. DOI: 10.36652/0869-4931-2025-79-9-416-420.
2. Сохраби М., Фатхоллахи-Фард А. М., Громов В. А. Алгоритм генетической инженерии (GEA): эффективный метаэвристический алгоритм для решения задач комбинаторной оптимизации // Автоматика и телемеханика. 2024. № 3. С. 23–37. DOI: 10.31857/S0005231024030027.
3. Roberto Prado-Rodríguez, Patricia González, Julio R. Banga, Ramón Doallo Improved cooperative Ant Colony Optimization for the solution of binary combinatorial optimization applications // Expert Systems. 2024. Vol. 41. Is. 8. DOI: 10.1111/exsy.13554.
4. Haixu Zhao, Dong Ding, Feng Wang, Pengcheng Hua, Ning Wang, Qin Wu, Zhilei Chai Hardware acceleration of number theoretic transform for zk-SNARK // Engineering Reports. 2023. DOI: 10.1002/eng2.12639.
5. Аханова М. А., Овчинникова С. В., Терехова Н. В. Критерии подобия динамических задач комбинаторной оптимизации // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022. № 5. С. 41–45. DOI: 10.37882/2223-2966.2022.05.02.
6. Подвальный С. Л., Васильев Е. М. Матричная репликация в NP-полных задачах комбинаторной оптимизации // Вестник Воронежского государственного технического университета. 2022. Т. 18. № 4. С. 7–14. DOI: 10.36622/VSTU.2022.18.4.001.
7. Bruno Silva, Luiz Guerreiro Lopes GPU Acceleration of the GWO Optimization Algorithm: Application to the Solution of Large Nonlinear Equation Systems // Concurrency and Computation: Practice and Experience. 2025. Vol. 37. Is. 6–8. DOI: 10.1002/cpe.70043.
8. Jiangwei Shang, Zhan Zhang, Kun Zhang, Chuanyou Li, Lei Qian, Hongwei Liu An algorithm/hardware co-optimized method to accelerate CNNs with compressed convolutional weights on FPGA // Concurrency and Computation: Practice and Experience. 2024. Vol. 36. Is.11. DOI: 10.1002/cpe.8011.
9. Лоскутов А. И., Клыков В. А., Столяров А. В., Перелыгин Ю. В. Алгоритмы синтеза минимальных программ испытаний бортовой аппаратуры с учетом требований к оперативности проведения испытаний с использованием методов комбинаторной оптимизации // Воздушно-космические силы. Теория и практика. 2025. № 33. С. 99–113. EDN: YXDIVO.
10. Трошкин Н. Р., Вишневская Т. И. Метод выбора и распределения задач на основе методологии SCRUM с использованием популяционных алгоритмов // Образовательные ресурсы и технологии. 2025. № 3 (52). С. 83–95. DOI: 10.21777/2500-2112-2025-3-83-95.
11. Солодовников А. П., Переверзев А. Л., Силантьев А. М. Программно-аппаратный комплекс для ускорения функциональной верификации систем на кристалле // Известия высших учебных заведений. Электроника. 2023. Т. 28. № 4. С. 441–451. DOI: 10.24151/1561-5405-2023-28-4-441-451.
12. Sheng-Yao Wu, Yan-Qi Song, Run-Ze Li, Su-Juan Qin, Qiao-Yan Wen, Fei Gao Resource-Efficient Adaptive Variational Quantum Algorithm for Combinatorial Optimization Problems // Advanced Quantum Technologies. 2025. DOI: 10.1002/qute.202400484.
13. Ehsan Ali Innovative Hardware Accelerator Architecture for FPGA-Based General-Purpose RISC Microprocessors // Journal of Electrical and Computer Engineering. 2025. Vol. 2025. Is. 1. DOI: 10.1155/jece/6965638.
14. Ragodaya Deepthi Kadiyala, Deepti Kakarla, Neetu Chikyal Hybrid distributed online and alternating convex optimization-based initial value accelerated hybrid precoding for millimeter wave multiple-input-multiple-output // International Journal of Communication Systems. 2023. Vol. 37. Is. 3. DOI: 10.1002/dac.5660.
15. Ельцов В. Ю., Федотов А. М. Методы аппаратной реализации быстродействующего умножителя для искусственных нейронных сетей // Наука настоящего и будущего. 2024. Т. 1. С. 158–161. EDN: JPQXIB.