В данном эксперименте реализуется решатель (NEAT) и симулятор (объект тележки с обратным маятником), где решатель будет оказывать влияние на объект с целью удержать его в стабильном состоянии, т.е. не дать маятнику упасть. Основной задачей эксперимента является исследование возможности реализации симулятора реального физического объекта и использование его для определения целевой функции нейроэволюционного алгоритма NEAT. Решение данной задачи позволит реализовывать контроллеры на основе алгоритма NEAT, способные управлять реальными физическими объектами.

Ключевые слова: машинное обучение, нереволюционные алгоритм, генетические алгоритмы, нейронные сети

2.3.3 - Автоматизация и управление технологическими процессами и производствами

Целью данной работы является реализация и сравнение генетических алгоритмов в рамках задачи обучения с подкреплением для управления неустойчивыми системами. Неустойчивой системой будет выступать объект CartPole Open AI GYM, который моделирует балансирование стержня, шарнирно-закрепленного на тележке, которая движется влево и вправо. Задачей является удержание стержня в вертикальном положении максимально продолжительное время. Управление данным объектом реализовано с помощью двух методов обучения: нейроэволюционный алгоритм (NEAT) и многослойный перцептрон с применение генетических алгоритмов (DEAP).

Ключевые слова: машинное обучение, нереволюционные алгоритм, генетические алгоритмы, обучение с подкреплением, нейронные сети

2.3.3 - Автоматизация и управление технологическими процессами и производствами

Целью данной работы является реализация системы прогнозирования потребления электроэнергии на пищевом производстве и выбор наиболее подходящего метода обучения модели прогнозирования. В нашем исследовании была реализована система прогнозирования потребления электроэнергии на основе потоковых данных, получающая их в «реальном времени». Система создана по принципу микросервисной архитектуры, где были реализованы сервис сбора данных с счетчиков, сервис агрегации данных и сервисы прогнозирования: с использованием классического подхода к обучению на основе модели ARIMA и онлайн подхода к обучению с использованием онлайн-модели HATR, результаты работы которых были сравнены с помощью тестов на прогнозирование аномальных значений и прогнозирование в условиях смены концепта данных, или дрейфа концепций.

Ключевые слова: машинное обучение, онлайн-обучение, онлайн-модель, дрейф концепций, дрейф данных

2.3.3 - Автоматизация и управление технологическими процессами и производствами