Текущий уровень развития глубокого обучения позволяет заменить нейронными сетями существующие специфические для моделирования военных действий алгоритмы. Поиск гиперпараметров даёт возможность определить структуры сетей, подходящие для решения соответствующих задач. Данная работа описывает процесс поиска структуры сети для предсказания зоны оптической видимости на основе фрагмента цифровой карты местности и предлагает архитектурные решения для комбинирования возможных составных частей сети, обеспечивая их совместимость в рамках поиска наилучшего решения. В качестве финального варианта предлагается использование U-Net архитектуры с поканальным механизмом внимания и энкодером на основе сети ResNet50.

  Целью работы является разработка и апробация модели прогнозирования риска травм у спортсменов, использующей методы машинного обучения для анализа временных рядов физиологических данных. В исследовании анализируются данные бегунов с квалификацией КМС, включая показатели частоты сердечных сокращений (ЧСС), вариабельности сердечного ритма (ВСР) и тренировочной нагрузки, что позволяет оценить состояние организма спортсмена в динамике и выявить возможные риски для здоровья. Разработанная модель прогнозирования, построенная на основе рекуррентной нейронной сети Long Short-Term Memory (LSTM), позволяет выявлять периоды повышенного риска травм у спортсменов и, основываясь на полученных результатах, корректировать тренировочный процесс для предотвращения этих рисков. В ходе экспериментов на реальных данных был достигнут высокий уровень точности прогноза – 85 %, что подтверждает эффективность предложенного подхода для предсказания вероятности травм. Несмотря на успешность модели, для обеспечения более точной валидации разработанного подхода авторы признают необходимость проведения дополнительных лонгитюдных исследований с расширенным набором данных.

Функциональные компоненты мультиагентной интеллектуальной системы имеют различную физическую или логическую конструкцию и обеспечивают обработку потоков заданий с разной интенсивностью. С точки зрения эффективности выполнения поставленных задач, получения консолидированного результата и достижения общей цели агентами указанная система рассматривается как единый объект, целостное образование. При этом суммарная эффективность функционирования ее компонентов оценивается общим параметром, по которому она может сравниваться с другими вариантами архитектурного построения мультиагентных систем. В связи с этим предложено оценивать эффективность функционирования мультиагентной системы условным экстремумом — суммарным количеством заданий в очередях всех агентов системы при условии сохранения способности обеспечивать необходимый запас по коэффициенту загрузки каждого агента, ограничивающему зону его стабильного функционирования. Показано, что для оптимизации процесса обработки заданий может быть использован алгоритм случайного поиска, заключающийся в том, что случайным образом выбираются точки в пространстве возможных решений, оценивается их качество с помощью целевой функции и сохраняется лучшее из найденных решений. Рассматриваемая задача минимизации целевой функции – суммарного количества заданий в очередях всех агентов системы интерпретируется как выполнение приближенной нелинейной оптимизации c использованием метода множителей Лагранжа. В качестве примера реализации предлагаемого способа оптимизации процесса обработки заданий мультиагентной системы приведены результаты компьютерного эксперимента по определению минимального значения целевой функции. На основе указанного решения задачи оптимизации предложен технологический алгоритм функционирования распределителя заданий в мультиагентной интеллектуальной системе.

Предложен алгоритм моделирования движения робота с огибанием препятствий при использовании метода машинного Q-обучения. Применение Q-обучения позволяет сохранять полученные при моделировании вознаграждения, выполняя оптимальные действия в каждом конкретном состоянии, при этом в Q-таблице содержится информация о состоянии и действии робота. Сохранение Q-таблицы в блокчейне с использованием технологии IPFS (InterPlanetary File System) позволяет надежно и децентрализованно хранить данные о состояниях и действиях робота. Контент адресации в IPFS отделяет данные от их местоположения и извлекает файлы из нескольких источников в пиринговом режиме. Для предложенного алгоритма проведен вычислительный эксперимент с применением среды моделирования движения робота. В пакете визуализации Gazebo 11 показано, что с использованием нового алгоритма препятствия огибаются быстрее (на 59,8 %), чем при использовании предыдущей версии алгоритма.

Приведен анализ существующих методов уменьшения вероятности возникновения блокировки движения маршрутных пассажирских транспортных средств на регулируемых перекрёстках. На участке улично-дорожной сети в районе пересечения проспекта Независимости – проспекта Машерова – улицы Козлова разработаны алгоритмы гибкого управления для уменьшения блокировок движения маршрутных пассажирских транспортных средств другими транспортными средствами на базе интеллектуальных транспортных систем, а также предложены решения по применению современных средств управления светофорным регулированием. С помощью имитационного микромоделирования выполнена оценка результативности предложенных решений и их эффективности.

В данном исследовании проанализировано распределение реальных объектов и синтетически расширенных данных, а также оценено их влияние на модели машинного обучения. Были сопоставлены результаты обучения моделей: Logistic Regression, Decision Tree, Random Forest и SVM на синтетических данных с результатами, полученными на датасете реальных объектов. Экспериментальные результаты показали, что использование синтетически расширенных данных способствует повышению точности классификационной модели, причем особенно заметное улучшение наблюдается в некоторых алгоритмах.

Рассматривается уязвимость технологии формирования общего криптографического ключа с помощью синхронизируемых искусственных нейронных сетей (ИНС) относительно нового типа атаки, названной двухсторонней. Суть атаки заключается в том, что криптоаналитик, прослушивая открытый канал связи, создает для этого две идентичные искусственные нейронные сети, одну из которых он синхронизирует с сетью одного из легальных абонентов, а вторую – с сетью другого легального абонента. Сравнивая вектора весовых коэффициентов атакующих сетей, криптоаналитик имеет возможность определить момент наступления полной синхронизации сетей легальных абонентов и значение сформированного секретного числа. Далее исследуются возможности двухсторонней атаки при различных моделях формирования секретного числа.

Статья посвящена исследованию особенностей применения систем поддержки принятия решений при создании автоматизированных интеллектуальных систем управления образовательными процессами. Проводится обоснование принципов и методик синтеза интеллектуальной системы, особенностей применения различных математических моделей регуляторов, их достоинств и недостатков. Сделан обоснованный вывод о том, что применение традиционных подходов, основанных на использовании теоретических положений классической теории автоматического управления применительно к синтезу систем управления социальными системами, к которым относятся системы управления образовательными процессами, не позволяет достичь желаемого результата. Предложено при построении системы управления образовательным процессом использовать принципы и методы построения интеллектуальных систем, основное отличие которых состоит в том, что система сама синтезирует цель управления на основе внешних условий, имеющейся в системе базы знаний и мотивации к задачам функционирования системы. Рассматривается построение системы поддержки принятия решений как элемента управляющего блока, основным элементом которого является человек – руководитель (преподаватель), осуществляющий непосредственное управление объектом, которым является также человек – обучаемый (ученик, студент, слушатель). Предложена структурная схема построения интеллектуальной системы управления информационными потоками образовательного процесса и модель воздействия на объект управления. Основой системы управления является динамическая экспертная система, осуществляющая прогнозное моделирование результатов управляющего воздействия, формируемого на основе теории нечетких множеств. Приведен пример моделирования управления информационным потоком, демонстрирующий качественную картину происходящих в системе процессов с учетом внешних воздействий на объект управления.

В статье предлагается подход к решению задачи оптимального распределения зачисленных абитуриентов по учебным группам с учетом уровня мотивации распределяемых. Результаты данной работы могут быть использованы вузами в качестве естественного административного инструмента для достижения лучших образовательных результатов в контексте академической неоднородности.