DSpace Collection:https://elib.gsu.by/handle123456789/902024-03-29T01:02:42Z2024-03-29T01:02:42ZИнтеллектуальная система адаптации управления с обратными связямиСмородин, В.С.Прохоренко, В.А.Smorodin, V.S.Prokhorenko, V.A.https://elib.gsu.by/handle123456789/662182024-03-26T06:45:07Z2024-01-01T00:00:00ZTitle: Интеллектуальная система адаптации управления с обратными связями
Authors: Смородин, В.С.; Прохоренко, В.А.; Smorodin, V.S.; Prokhorenko, V.A.
Abstract: Предложен метод адаптации управления на основе многоуровневого сопряжения нейрорегуляторов и
имитационных моделей технологических операций для адаптированного управления технологическим циклом
с обратными связями по управлению. Изложены принципы создания, разработаны алгоритмы и представлена
процедура построения интеллектуальной компьютерной системы адаптации управления нового поколения на основе
открытых семантических технологий проектирования интеллектуальных систем (OSTIS). = A method for control adaptation is proposed based on multi-level coupling of neuroregulators and simulation models
of technological operations for adaptive control of the technological cycle with control feedback. A new-generation intellectual
system based on open semantic technologies for intelligent systems (OSTIS) is described alongside with the principles of its
creation, implemented algorithms and construction procedure.2024-01-01T00:00:00ZРешение задачи управления порядком выполнения заказов промышленного предприятияДемиденко, О.М.Якимов, А.И.Борчик, Е.М.Якимов, Е.А.Денисевич, Д.А.Demidenko, O.M.Yakimov, A.I.Borchik, E.M.Yakimov, E.A.Denisevich, D.A.https://elib.gsu.by/handle123456789/662172024-03-26T06:38:15Z2024-01-01T00:00:00ZTitle: Решение задачи управления порядком выполнения заказов промышленного предприятия
Authors: Демиденко, О.М.; Якимов, А.И.; Борчик, Е.М.; Якимов, Е.А.; Денисевич, Д.А.; Demidenko, O.M.; Yakimov, A.I.; Borchik, E.M.; Yakimov, E.A.; Denisevich, D.A.
Abstract: Рассматривается производственный процесс выполнения заказов с параметрами, требующими переналадки
оборудования. Задача определения оптимальной стратегии переналадки производственного оборудования является
задачей оптимизации, которая сформулирована как задача коммивояжера. При решении такой задачи узлами графа
являются заказы, дугами – переналадки с известной стоимостью при переходе от одного заказа к другому. Критерий
оптимизации – минимальная общая стоимость переналадок оборудования. На основе матрицы стоимостей переналадок
оборудования при выполнении заказов с известными параметрами проведены исследования решения задачи
с помощью генетического алгоритма. Даны примеры оценки общей стоимости переналадок для заказов, имеющих
несколько параметров с разными уровнями. Представлены шаги реализации генетического алгоритма для решения
поставленной задачи, показаны результаты экспериментов. = The production process of fulfilling orders with parameters that require readjustment of equipment has been studied.
The problem of determining the optimal strategy for readjustment of production equipment is an optimization problem, which is
formulated as a traveling salesman problem. When solving this problem, the nodes of the graph are orders, the arcs are changeovers with known cost when moving from one order to another. The optimization criterion is the minimum total cost of equipment changeovers. Based on the matrix of the cost of equipment changeovers during the execution of orders with known parameters, the research of the problem solution with the help of a genetic algorithm was carried out. The examples are given for
estimating the total cost of changeovers for orders with several parameters with different levels. The implementation steps
of the genetic algorithm for solving the problem are presented, and the results of the experiments are shown.2024-01-01T00:00:00ZИсследование производительности алгоритмов машинного обучения в задачах классификации данныхТимощенко, Е.В.Ражков, А.Ф.Timoschenko, E.V.Razhkov, A.F.https://elib.gsu.by/handle123456789/645332023-12-26T07:52:19Z2023-01-01T00:00:00ZTitle: Исследование производительности алгоритмов машинного обучения в задачах классификации данных
Authors: Тимощенко, Е.В.; Ражков, А.Ф.; Timoschenko, E.V.; Razhkov, A.F.
Abstract: Предложен подход к решению задачи построения моделей машинного обучения в решении задач классификации данных. На примере анализа наборов биомедицинских данных проведено сравнение производительности
алгоритмов машинного обучения, настроенных с помощью предварительно оптимизированных гиперпараметров.
Найдены наилучшие значения гиперпараметров, обеспечивающие эффективное прогнозирование, для самых
распространенных алгоритмов машинного обучения. = An approach to solving the problem of constructing machine learning models in solving data classification problems
is proposed. Using the example of analyzing biomedical data sets, the performance of machine learning algorithms tuned using
pre-optimized hyperparameters is compared. The best values of hyperparameters that provide effective prediction were found
for the most common machine learning algorithms.2023-01-01T00:00:00ZИнтеллектуальная система управления перекрестком автомобильных дорогСукач, Е.И.Биза, М.В.Sukach, E.I.Biza, M.V.https://elib.gsu.by/handle123456789/645322023-12-26T07:46:36Z2023-01-01T00:00:00ZTitle: Интеллектуальная система управления перекрестком автомобильных дорог
Authors: Сукач, Е.И.; Биза, М.В.; Sukach, E.I.; Biza, M.V.
Abstract: Иллюстрируется подход к созданию интеллектуальных систем управления объектами с использованием
машинного обучения с подкреплением на примере системы управления перекрестком. Описывается имитационная
модель перекрестка, выбранная в качестве среды обучения. Приводятся результаты сравнительного анализа эффективности работы различных алгоритмов обучения. Приводятся результаты применения градиента политики Монте-Карло
для обучения модели перекрестка. = An approach to the creation of intelligent object control systems using machine learning with reinforcement is
illustrated using the example of an intersection control system. The simulation model of the intersection, chosen as the learning
environment, is described. The results of a comparative analysis of the performance of various learning algorithms are
presented. The results of applying the Monte Carlo policy gradient to train the intersection model are presented.2023-01-01T00:00:00Z