ПРИМЕНЕНИЕ БИОНИЧЕСКИХ МОДЕЛЕЙ ДЛЯ УПРАВЛЕНИЯ СИТУАЦИЕЙ
Аннотация и ключевые слова
Аннотация (русский):
В статье рассматривается концепция выбора последовательности управляющих воздействий с целью минимизации возможности перехода состояния системы в неблагоприятное. Для этого разработана бионическая модель, основанная на синтезе информационного подхода, нейронных сетей и генетического алгоритма. Функциональность каждого из элементов модели и их взаимодействие представлены в этой статье. Особое внимание уделяется нейроэволюционному взаимодействию. При этом информация о управляющих воздействиях инкапсулирована в гене, что позволило увеличить функциональность алгоритма за счет многомерного представления данных. В статье описан принцип представления данных в бионических моделях, который отличается от существующих возможностью явного или неявного представления управляющего воздействия в хромосоме. В явном представлении формируется одна нейронная сеть, описывающая эффект любого из управляющих воздействий, задействованных в обучении. Неявное представление создает набор моделей, каждая из которых описывает эффект только одного управляющего воздействия. Приведено краткое описание программного обеспечения, реализованного на языке программирования Python.

Ключевые слова:
информационный подход, нейронные сети, генетический алгоритм, бионическая модель, выбор управляющих воздействий
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. Pyatkova N. I., Massel L. V., Massel A. G. Situation management methods in research of energy security problems / Izvestia akademii nauk. Energetika, 2016. - №4. - pp. 156-163.

2. Shcherbakov M., Kamaev V., Shcherbakova N. Automated electric energy consumption prediction system based on decision tree approach / 7th IFAC Conference on Manufacturing Modelling, Management, and Control, 2013. - V. 46. - Issue 9. - pp. 1027-1032.

3. Yusupov R. M., Ronzhin A.L., From smart devices to intelligent space / Bulletin of the Russian Academy of Sciences, 2010. - 80:1. - pp. 45-51.

4. Massel L.V. Problems of the semiotic type intellectual systems creation for the strategic action control in critical infrastructures / Information and mathematical technologies in science and management. Scientific journal. Irkutsk: MESI SB RAS, 2016 - №1. - pp. 7-27

5. Yurchenko M. A., Kochegurova E. A., Fadeev A. S., Piletskaya A.Y. Calculation of performance indicators for passenger transport based on telemetry information / Engineering Technology, Engineering Education and Engineering Management : proceedings of the International Conference on Engineering Technologies, Engineering Education and Engineering Management, 2015. - pp. 847-851.

6. Gerget O.M. Bionic models for identification of biological systems // Journal of Physics: Conference Series. - 2017. - V. 803. - № 1. - pp. 12- 24.

7. Maksimov I.B., Kolyar V.P., Bogomolov A.V. Applied theory of information support in medical and biological research. - М. Binom. - 2013. - 312 p.

8. Alifirova V.M., Brasovsky K.S., Zhukova I.A., Pecker J.S., Tolmachev I.V., Fokin V.A. Method of quantitative evaluation of results of postural tests/ Bulletin of Experimental Biology and Medicine, 2016. - V. 161. - № 3. - pp. 421-424.

9. Fokin V.A., Pecker Y.S., Berestneva O.G., Gerget O.M. Integrated methods of assessment of the state of complex systems/ Izvestia of Tomsk Polytechnic University, 2012. - V. 321. - № 5. - pp.120-124.

10. Fokin V.A. Statistical data modeling at biological systems state estimation // Izvestia of Tomsk Polytechnic University. Engineering of georesources, 2014. - V. 307. - №5. - pp. 136-138.

11. Devjatykh D.V., Gerget O.M., Mikhalenko I.V. Use of artificial neural networks to predict the development of perinatal damage of the nervous system / Izvestia of Volgograd State Technical University, 2013. - V. 16. - № 8 (111). - pp. 77-80.

12. Wilson, A.J. Entropy modeling methods for Complex Systems. -М.: Science, 1978. - 248p.

13. Gerget O.M., Devjatykh D.V. Bionic Model for Identification of Biological Systems/ Information and Mathematical Technologies in Science and Management. 2017. - № 2 (6). - p. 21-29.

14. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2009. - 745p.

15. Goodfellow I., Bengio Y., Courville A. Deep Learning. Book in preparation for MIT Press.

16. Wang, H. and Song, G. Innovative NARX recurrent neural network model for ultra-thin shape memory alloy wire. Neurocomputin, 2014 - 134. - pp.289-295.

Войти или Создать
* Забыли пароль?