Ю.И. Нечаев

Федеральное государственное автономное образовательное учреждение высшего образования  «Национальный исследовательский университет ИТМО» (Санкт-Петербург, Россия)

nechaev@mail.ifmo.ru

Постановка проблемы. Методы гибридного моделирования (ГМ) позволяют исследовать поведение морских динамических объектов (МДО) в функциональных пространствах современной теории катастроф (СТК). Прикладные аспекты ГМ реализуются с помощью нейродинамического моделирования в интегрированной среде мультифункционального программного комплекса (МПК). Цель. Предложить концептуальные решения построения системы ГМ для интерпретации поведения МДО в эволюционирующей среде.

Результаты. Проведен анализ в функциональных пространствах поведения и управления СТК. Теоретический базис реализации многофункциональной среды ГМ определил принцип структурного и параметрического синтеза нейродинамических моделей в условиях неопределенности на основе иерархической структуры программного комплекса. Отмечено, что анализ поведения МДО и выбор решения в нейродинамической среде осуществлялся на основе ансамблевого прогноза и матрицы стратегических решений. Показано, что интерпретация поведения МДО в системе ГМ в нейро-нечеткой и мультиагентной среде проводилась в рамках стратегии обработки больших объемов данных в режиме экстренных вычислений.

Практическая значимость. Совершенствование методов обработки информации в мультипроцессорной вычислительной среде в режиме экстренных вычислений открывают перспективы построения алгоритмов и программного обеспечения ГМ для различных практических приложений.

Нечаев Ю.И. Гибридное моделирование эволюционной динамики морских объектов в нейросетевом базисе // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 3. С. 25−34. DOI: https://doi.org/10.18127/j19998554-202103-03

1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург. 2004. 336 с.
2. Нечаев Ю.И. Нейрокомпьютеры в интеллектуальных технологиях ХХI века. М.: Радиотехника. 2011. 352 с.
3. Нечаев Ю.И. Теория катастроф: современный подход при принятии решений. СПб.: Арт-Экспресс. 2011. 392 с.
4. Нечаев Ю.И. Современные проблемы информатики и вычислительной техники. СПб.: Арт-Экспресс. 2018. 315 с.
5. Нечаев Ю.И., Турчак А.А. Эволюционная динамика нейронной сети глубокого обучения // Материалы ХХII Междунар. конф. по мягким вычислениям и измерениям SCM-2018. 2018. С. 185–189.
6. Figueira G., Almada-Lobo B. Hybrid simulation–optimization methods: A taxonomy and discussion // Simulation Modelling Practice and Theory. 2014. V. 46. P. 118–134.
7. Foster I., Zhao Y., Raicu I., Lu S. Cloud Computing and Grid Computing 360-Degree Compared // Preprint arXiv:0901.0131, 2008 [Электронный ресурс]. – URL: http://arxiv.org/ftp/arxiv/papers/0901/0901.0131.pdf (дата обращения: 01.03.2021)
8. Hinton G.H., Osindero S., Teh Y.-W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. V. 58. № 7.  P. 1527–1554.
9. Lublinsky B. Defining SOA as an architectural style. 9 January 2007. [Электронный ресурс].  – URL: http://www.ibm.com/developerworks/architecture/library/ar–soastyle/ (дата обращения: 01.03.2021).
10. Szalay A. Extreme data-intensive scientific computing // Computing in Science & Engineering. 2011. V. 13. №. 6. P. 34-41.
11. Urgent Computing Workshop 2007. Argonne National Lab, University of Chicago. April 25-26. 2007. [Электронный ресурс]. – URL: <http://spruce.teragrid.org/workshop/urgent07.php>. (дата обращения: 01.03.2021)
12. Zadeh L. Fuzzy logic, neural networks and soft computing // Соmmutation on the ASM-1994. V. 37. № 3. P. 77–84.