С.В. Черномордов1, О. В. Дружинина2, О.Н. Масина3, А.А. Петров4

1, 3, 4 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

2 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

Постановка проблемы. Актуальным направлением научных исследований является теоретический анализ и разработка инструментов и средств для решения задач моделирования управляемых технических систем (УТС) с использованием возможностей искусственного интеллекта, реализуемых на базе различных программно-аппаратных средств. Наиболее пер-спективными методами решения данной задачи являются методы нейросетевого моделирования и машинного обучения.

Цель. Показать возможность применения методов машинного обучения в задачах моделирования УТС.

Результаты. Рассмотрены реализации и конкретизации алгоритмов модульной библиотеки Gym языка высокого уровня Python для решения задач нейросетевого моделирования и машинного обучения с подкреплением. Приведены характерис-тики методов обучения нейронных сетей при моделировании УТС. Проанализирована возможность использования гетероген-ных вычислений для повышения производительности вычислительных систем. Разработан алгоритм машинного обучения для реализации модели беспилотного летательного аппарата (БЛА). Предложен подход к созданию комбинированного алгоритма машинного обучения с подкреплением и оптимизацией.

Практическая значимость. Полученные результаты могут найти применение в решении задача моделирования УТС, а также различных задач нейросетевого моделирования и машинного обучения. Предложенное алгоритмическое обеспечение может быть использовано при разработке нейрокомпьютерных систем.

Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 1. С. 25-35. DOI: https://doi.org/ 10.18127/j19998554-202201-03

1. Siniak N.G., Marina B.A. A review in big data and its role in real estate industry decision making // Real Estate: Economics, Management. 2020. № 2. P. C 22–28.
2. Druzhinina O.V., Masina O.N., Petrov A.A. Up-to-date software and methodological support for studying models of controlled dynamic systems using artificial intelligence // Lecture Notes in Networks and Systems (LNNS). Springer. 2021. V. 1225. P. 470–483.
3. Aggarwal C. Neural Networks and Deep Learning. Springer International Publishing. 2019.
4. Geron A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. OReilly. 2019.
5. Старостин Н.В., Панкратова М.А. Многоуровневые алгоритмы декомпозиции графа данных для параллельных вычислений на гетерогенной вычислительной системе // Вопросы атомной науки и техники. Сер. Математическое моделирование физических процессов. 2016. № 1. С. 60–68.
6. Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.
7. Воронцов К. В. Машинное обучение (курс лекций). [Электронный ресурс]. URL=http://www.machinelearning.ru/ wiki/index.php?title=Машинное_обучение_(курс_лекций,_К.В.Воронцов) (дата обращения: 24.12.2021).
8. Dulhare U.N., Bin Ahmad K.A., Ahmad K. Machine Learning and Big Data: Concepts, Algorithms, Tools and Applications. Wiley. 2020.
9. Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин) [Электронный ресурс]. URL=http://www.machinelearning.ru/wiki/images/6/6d/voron-ml-1.pdf (дата обращения: 24.12.2021).
10. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5–17.
11. Килин Г.А., Ждановский Е.О. Преимущества использования обучения с подкреплением для обучения нейронных сетей // Материалы Всеросс. науч.-технич. конф. «Автоматизированные системы управления и информационные технологии» (г. Пермь, 17 мая 2018 г.). В 2-х томах. Пермь: ПНИПУ. 2018. С. 152–158.
12. Radford A., Metz L., Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks// ArXiv: 1511. 06434v2 [cs. LG] 7 Jan 2016.
13. Айрапетов А.Э., Коваленко А.А. Исследование генеративно-состязательной сети // Политехнический молодежный журнал. 2018. № 10(27). С. 1–7.
14. Масина О.Н., Петров А.А., Дружинина О.В., Рапопорт Л.Б. Моделирование управляемых систем с применением методов стабилизации и алгоритмов поиска оптимальных траекторий: Учеб. пособие. Елец: Елецкий госуд. ун-т им. И.А. Бунина. 2021.
15. Антонов А.С., Афанасьев И.В., Воеводин В.В. Высокопроизводительные вычислительные платформы: текущий статус и тенденции развития // Вычислительные методы и программирование. 2021. Т. 22. № 2. С. 135–177.
16. Бизли Д. Python. Подробный справочник. СПб: Символ-Плюс. 2010.
17. Курбатов Т.Г., Некрасова В.Э. Применение машинного обучения с подкреплением для решения задач платформы Openai Gym // Сб. материалов VII Всеросс. науч.-технич. конф. «Студенческая наука для развития информационного общества»
    (г. Ставрополь, 26–28 декабря 2017 г.). Ставрополь: Северо-Кавказский федеральный ун-т. 2018. С. 182–184.
18. Control theory problems from the classic RL literature. [Электронный ресурс]. URL=https://gym.openai.com/envs/#clas-sic_control (дата обращения: 20.12.2021).