Анализ и адаптивное управление в недетерминированных средах на основе самообучения
11На правах рукописи
СТАСЕВИЧ Владимир Павлович
АНАЛИЗ И АДАПТИВНОЕ УПРАВЛЕНИЕ В НЕДЕТЕРМИНИРОВАННЫХ СРЕДАХ НА ОСНОВЕ САМООБУЧЕНИЯ
Специальность 05.13.01 – «Системный анализ, управление и обработка информации (информационные и технические системы)»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Краснодар – 2007
Работа выполнена в Кубанском государственном технологическом университете
| Научный руководитель: | кандидат технических наук, доцент Шумков Евгений Александрович |
| Официальные оппоненты: | доктор технических наук, профессор Лойко Валерий Иванович кандидат технических наук, доцент Ермоленко Владимир Валентинович |
| Ведущая организация: | ФГУП КБ «Селена» (г. Краснодар) |
Защита состоится "23" мая 2007 г. в 1600 на заседании диссертационного совета Д 212.100.04 в Кубанском государственном технологическом университете по адресу 350072, г. Краснодар, ул. Московская 2, корпус «А», конференц - зал
С диссертацией можно ознакомиться в научной библиотеке КубГТУ по адресу: 350072, г. Краснодар, ул. Московская, 2, корпус «А».
Автореферат диссертации разослан "21" апреля 2007 г.
Ученый секретарь
диссертационного совета,
канд. техн. наук, доцент Власенко А.В.
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность исследования. В последнее время одними из актуальных становятся задачи связанные с объектами или комплексами объектов, действующих в недетерминированных средах. Актуальность обуславливается развитием технологий, усложнением объектов, а также стремлением автоматизировать процессы, ранее производимые с помощью человека. При рассмотрении среды как недетерминированной открывается потенциал для улучшения решения задач за счет ранее неиспользуемых возможностей (подстройка к среде и т.д.). В большинстве случаев, управление объектами в недетерминированных средах выполняется людьми-операторами. Однако существуют задачи, при которых человек-оператор справляется с управлением недостаточно хорошо. Один из примеров таких задач являются задачи, в которых оператор не имеет право на ошибку (операции спасения людей, боевые роботы, медицинские роботы). Таким образом, задача создания систем автоматического управления (СУ) объектами в недетерминированных средах является актуальной.
Недетерминированные среды, не обладая свойствами предсказуемости, обладают, тем не менее, некоторыми закономерностями. В выявлении этих закономерностей в процессе работы системы заключен потенциал адаптации СУ к среде. Таким образом, данная работа рассматривает недетерминированные среды, обладающими выявляемыми закономерностями (т.е. такие среды, воздействие которых нельзя предсказать заранее, но характер воздействия которых определен).
Целью работы является разработка методов накопления и запоминания опыта систем управления, методы анализа опыта и текущего состояния объекта и среды, а также методы построения тактического управления в данной схеме стратегического управления.
Задачи исследования:
- исследование существующих методик построения адаптивных СУ объектами в недетерминированных средах;
- разработка метода адаптивного управления объектами в недетерминированных средах с такими свойствами:
а) гарантированным выполнением целевой функции (отсутствие права на ошибку, метод проб и ошибок не применим);
б) автономность (отсутствие дообучения экспертом в процессе работы);
в) режим работы в реальном времени.
- экспериментальные исследования результатов работы СУ; выявление достоинств и недостаток метода; оценить эффективность предложенных метода обучения и топологии.
Методы исследования. Задачи исследования решены с использованием методов системного анализа, теории искусственных нейронных сетей, нечеткой логики и искусственного интеллекта.
Научная новизна:
- разработано решение по применению метода обучения самообучению в системах управления в недетерминированных средах;
- нейросетевая топология «внутренний учитель» адаптирована к использованию в управлении в недетерминированных средах;
- разработана модель топологии «внутренний учитель» на основе нечеткой логики;
- разработана схема управления комплексом лифтов многоэтажного здания с применением «внутреннего учителя»;
- разработан адаптивный автотрейдер фондового рынка с применением метода обучение самообучению и «внутреннего учителя».
Практическая ценность работы заключается в применении «внутреннего учителя» в СУ в недчетерминированных средах. Разработан адаптивный автотрейдер фондового рынка.
Реализация и внедрение результатов работы.
Адаптивный автотрейдер фондового рынка внедрен в ЗАО «КБ Ситибанк».
Основные положения, выносимые на защиту:
- решение метода обучения самообучению в СУ в недетерминированных средах;
- топология «внутренний учитель» применяемая в СУ в недетерминированных средах;
- СУ комплексом лифтов с применением метода обучения самообучению;
- адаптивный автотрейдер фондового рынка с применением метода обучения самообучению;
- результаты сравнительного анализа СУ созданных 3 способами: традиционное управления на основе предикатов, нейросетевая модель с использованием алгоритма СМП, модель созданная на основе топологии «внутренний учитель».
Публикации. Основной материал работы опубликован в 6 научных статьях и 3 тезисах докладов. Получен патент на изобретение.
Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, заключения, списка использованных источников и приложений. Ее общий объем составляет 170 страниц текста, содержащего 3 таблицы и 38 рисунка.
ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ
Во введении обоснована актуальность и сформулирована научная проблема исследования, определены его объект и предмет, поставлены цель и задачи исследования.
В первой главе рассмотрены современные методы построения адаптивных СУ. Проведено исследование способов построения самообучающихся систем с подкреплением. Проведен анализ существующих методов обучения с подкреплением с использованием нейронных сетей: Q – обучение, сети адаптивной критики (DHP, HDP, GDHP). Проанализирована методика СМП. Выявлены достоинства и недостатки существующих методов. В качестве недостатков сетей адаптивной критики можно отметить: большое количество вычислений, сложность реализации. Для Q – обучения: в случае значительного пространства состояний объекта необходима большая Q – таблица, что сказывается на быстродействии. Для СМП: высокая вероятность зацикливания в лучшей с точки зрения системы контрольной точке, рекурсии для отмены действий, которые снизили поступающее подкрепление. Принято решение реализовывать предлагаемую методику, используя модифицированный метод СМП, что позволит строить универсальные адаптивные СУ в рассматриваемом классе сред.
Во второй главе разработаны метод обучения самообучению и нейросетевая топология «внутренний учитель» в СУ в недетерминированных средах. Топология и метод обучения есть две стороны одной концепции – обучения самообучению.
Постановка задачи формулируется следующим образом:
- СУ в недетерминированной среде должна выполнять целевую функцию;
- СУ должна максимизировать коэффициент эффективности;
- при выполнении задачи на основании информации от внешней среды объект, при необходимости, изменяет свое поведение (СУ пользуется имеющимися знаниями о среде – заложенные в СУ на этапе разработки);
- объект должен обучаться на своих ошибках, путем выявления изменившегося характера воздействия среды (СУ вырабатывает новые способы реакции на воздействия);
- объект должен адаптироваться к среде в процессе выполнения задачи. Необходимо построить СУ, адаптирующуюся в процессе выполнения задачи, без предварительного обучения (самообучения).
Требование адаптации в процессе выполнения задачи, без предварительного обучения в конкретной среде, является принципиальным отличительным требованием постановки задачи данной работы.
Для реализации адаптивной СУ будем использовать топологию с двумя вновь предлагаемыми компонентами – компонентой решателя и компонентой учителя. Основная компонента системы – решающая («решатель»). Она получает на вход сведения о текущем состоянии среды, текущем состоянии объекта и выдает на выход управляющие воздействия. Важнейшая часть системы – компонента обучения («учитель»). Здесь оценивается состояние среды с точки зрения изменения тактики поведения, а также формируются измененные правила поведения системы. На вход этой компоненты подаются сведения о состоянии среды, обработанные сенсорной компонентой.
СУ должна максимизировать коэффициент эффективности (КЭ). КЭ используется для выявления изменения стратегии поведения улучшившего или ухудшившего общую оценку работы. Такой КЭ является основным источником информации для построения эффективной схемы самообучения. При этом КЭ вычисляется на основе обработки сведений о внешней среде, объекте, и о характере взаимодействия объекта со средой.
Вся система в целом построена на единой нейронной сети вновь разработанной топологии. Топология в структурном виде представлена на рисунке 1:
Рисунок 1 - Топология "Внутренний учитель"
Введем следующие обозначения:
- время (цикл управления);
- правила самообучения компоненты учителя;
- правила управления компоненты решателя;
- общие правила СУ;
- коэффициент эффективности на итерации 
;
- воздействие СУ на цикле управления 
, где 
;
- состояние объекта на цикле управления 
, где 
;
- пространство воздействий СУ;
- пространство состояний объекта;
- адаптационный параметр – элемент правил управления решателя, изменяющийся для адаптации правил управления;
- объем истории изменений 
;
- объем истории изменений АП.
Также введем несколько определений относящихся к времени:
Итерация - законченный цикл управления объектом, т. е. цикл между воздействием внешней среды и реакцией системы управления на него.
Критическое время 
– время установленное разработчиком, за которое система обязательно должна восстановить заданный коэффициент эффективности, в противном случае система не отрабатывает задание.
Период дообучения 
– время, за которое система при потере заданного значения коэффициента эффективности, вновь должна на него выйти. Определяется как:
Предлагается использовать коэффициент эффективности :
где i – номер кванта времени (итерации, одного законченного цикла управления), для которого вычисляем коэффициент,
- безразмерный показатель полезной деятельности, произведенной объектом,
- безразмерный показатель затраченных ресурсов.
КЭ записан в обобщенном виде. Он вычисляется на основе обработки сведений о внешней среде, объекте, и о характере взаимодействия объекта со средой. При использовании разработанной топологии в разных системах коэффициент эффективности должен вычисляться по-разному. КЭ вычисляется в отдельной компоненте и управляет процессом самообучения.
Блок коэффициента эффективности хранит историю изменения КЭ. Это необходимо для вычисления динамики изменения КЭ. На каждом из нескольких периодов вычисляются средние величины КЭ, и сравниваются для соседних периодов. Нас интересуют нечеткие величины динамики:
- КЭ снизился;
- КЭ вырос;
- КЭ не изменился.
Далее эти показатели поступают на вход учителя, который, согласно правилам самообучения, определяет, необходима ли модификация правил управления и модифицирует их в случае необходимости. Длина истории, а также параметры подсчета среднего КЭ должны быть модифицируемыми, и подстраиваться в зависимости от среды и объекта. В ходе работы СУ желательно выполнения следующего условия:
Таким образом, за счет политики самообучения, должен обеспечиваться рост КЭ во время работы системы. Но роста подкрепления алгоритм не гарантирует.
Входы учителя – изменение коэффициента эффективности за последний период времени (или за несколько последних) и изменения основных параметров среды (одного или нескольких). Выход учителя – измененные правила управления, передаваемые решателю. Учитель реализуется как традиционная неадаптивная СУ объектом при помощи нейросети, реализующей нечеткую функцию. Нечеткая функция принимает на вход динамику КЭ, состояние объекта, на выход выдается изменения адаптационных параметров правил управления. В приведенном примере среда упорядочена, но не может быть предсказана мобильным роботом в процессе передвижения. Робот адаптируется к характеру среды, будучи способным отработать совершенно другую среду (например, абсолютно хаотическое нагромождение барьеров), при этом затратив ограниченные ресурсы.
Внутренним устройством учителя является послойно-полносвязная нейронная сеть, с одним скрытым слоем. Входы учителя, как было показано ранее, – изменение КЭ за последний период времени (или за несколько последних), плюс адаптационные параметры (один или несколько) за предыдущий период времени. На выход учитель выдает измененные АП (рисунок 2). Учитель реализует политику самообучения 
. Для реализации принципа обучения самообучению введем общий вид функций вычисляющих АП и КЭ:
,
,
Рисунок 2 - Учитель в нейросетевой реализации
Отметим, что 
не является функцией обратной 
и наоборот. Т. е. имеет место декомпозиция функций. Таким образом, политики 
и 
зависят от 
, 
, 
, АП и, возможно других параметров.
Правила самообучения учителя изменяют АП и сформулированы следующим образом (нечеткие правила):
- если снизилось значение КЭ, то изменяем АП в противоположном направлении от предыдущих изменений;
- если значение выросло, то продолжаем изменять АП в направлении от предыдущих изменений;
- если значение не изменилось, то в зависимости от КЭ либо оставляем текущие правила (если КЭ устраивает), либо хаотически изменяем применяемое правило.
Представим правила изменения АП в виде продукций, в случае одного адаптационного параметра системы и 
, 
:
,
и т.д.
Шаг изменения АП нужно уменьшать в зависимости от относительной величины изменения КЭ, чтобы максимизировать его при реализации поиска глобального максимума КЭ.
При разработке прикладной реализации необходимо проанализировать проблему и сформулировать правила самообучения. Система должна адаптироваться к изменениям среды. Среда ведет себя недетерминировано. Но, хотя присутствует недетерминированность, нужно выделить такие классы воздействий среды, которые система будет отрабатывать.
Управляемый объект имеет несколько АП, эффективно управляя всеми параметрами при любых воздействиях среды, можно говорить о том, что управление эффективно в целом. Но управление такого рода, в общем случае, невозможно. Таким образом, необходимо выделить такие АП объекта, которыми необходимо управлять, для эффективного управления в таких классах воздействия среды, о которых мы говорили ранее. Таким образом, первоначальная задача:
- выделение критичных для системы классов воздействия недетерминированной среды на объект;
- выделение АП объекта, которыми СУ будет адаптивно управлять, реализуя задачу и отрабатывая воздействия среды.
Далее, необходимо сформулировать правила управления объектом (необходимыми АП объекта) без адаптации. Правила (предикаты, нечеткие правила и т.д.) будут описывать управление объектом Решателем без адаптации. Следующим шагом будет доработка правил управления (политики управления):
- необходимо выделить компоненты правил управления, которые будут адаптивно подстраиваться под среду;
- необходимо предусмотреть такое поведение Решателя и предложенного набора правил, когда некоторые правила добавляются или удаляются (т.е. при адаптации некоторые правила могут появиться, а также исчезнуть).
Вышеперечисленное необходимо для того, что сформулировать политику самообучения. Политика должна заключаться в том, что недетерминированное воздействие среды влияет на сами правила управления. При этом:
- воздействие среды, не носящее характер кардинальной новизны, должно отрабатываться правилами управления без изменения их самих;
- воздействие среды, являющееся новым, неизвестным для системы управления, должно приводить к корректировке набора правил управления (изменению, добавлению и удалению правил).
Далее необходимо разработать правила самообучения. Уже выделенные ранее характеры изменения среды, а также разработанные для их отработки способы изменения правил требуют правил самообучения. На выходе правил самообучения мы должны иметь параметры (все необходимые) изменения правил управления. На входе – динамика изменения подкрепления (коэффициента эффективности). Таким образом, получим два набора правил – модифицируемые правила управления и правила самообучения.
Нечеткий вывод. Используем нейро – нечеткую систему ANFIS (Adaptive Neuro – Fuzzy Inference System) в компоненте Учитель. Рассмотрим случай, когда в системе один АП, 
и 
. Пусть входными переменными будут: 
, 
и 
. Выходной переменной будет 
. Для лингвистической оценки будем использовать 3 терма: снизился, неизменен, увеличился. Сформулируем правила самообучения (1.6 – 1.31) в нечетких терминах. 
, 
, 
- некоторые нечеткие множества с функциями принадлежности сигмоидного типа:
Таким образом, базу знаний образуют нечеткие правила, при этом 
, 
и 
- имена входных переменных, 
- имя переменной вывода. Далее алгоритм опишем математически:
- фаззификация: находятся степени истинности для предпосылок каждого правила:
, 
, 
. - нечеткий вывод: находятся уровни отсечения для предпосылок каждого из правил (с использованием операции минимума):
. Затем находятся усеченные функции принадлежности:
- композиция: с использованием операции max производится объединением найденных усеченных функций, что приводит к получению итогового нечеткого подмножества для переменной вывода с функцией принадлежности:
- приведение к четкости можно производит, например, центроидным методом.
В третьей главе приведена реализация СУ комплексом лифтов и СУ мобильного робота с применением метода обучения самообучению. Также приведен анализ применимости подхода при построении автоматических автоматизированных банковских систем (АБС).
СУ комплексом лифтов. Комплекс лифтов действует в недетерминированной среде – количество людей перемещающихся в лифтах в разные моменты времени и с разных этажей непредсказуемы. Обучающаяся система после определенного времени работы может подстроиться к изменяющимся пассажиропотокам, и будет подстраиваться постоянно. Структурная схема будет выглядеть следующим образом (рисунок 3):
Рисунок 3 - Структура СУ
Как было сказано выше, КЭ формулируется для каждого конкретного случая применения предложенного метода. В случае разработки системы управления комплексом лифтов предложим КЭ в виде:
,,
где:
- время, прошедшее от момента вызова лифта пассажиром до прибытия лифта на этаж,
- количество этажей, пройденных лифтом к пассажиру,
- максимально возможное время прибытия лифта на этаж (время прибытия лифта на последний этаж, отправление с первого, остановки на всех этажах),
- максимально возможное количество пройденных этажей (с первого по последний).
Для данной системы сформулируем целевую функцию:
Пассажиры должны быть перевезены на указанные ими этажи. При этом, СУ комплексом лифтов должна работать таким образом, чтобы КЭ не убывал с течением времени и, если возможно, рос.
Таким образом, сформулируем правила адаптации:
- При отсутствии вызовов, лифт перемещается к самому массовому этажу на определенное количество этажей;
- Количество этажей, которое нужно проехать, является параметром адаптации.
Правило самообучения заключается в следующем:
- Если понизилось значение КЭ, то КСУ изменяется в противоположном направлении от предыдущих изменений;
- Если значение выросло, то КСУ продолжает изменяться в направлении от предыдущих изменений;
- Если значение на протяжении нескольких шагов не меняется, то КСУ случайным образом изменяется.
По результатам исследования видно, что в случае относительно детерминированного поведения среды СУ адаптируется и действует в целом более успешно, чем неадаптивная система. В случае недетерминированного поведения среды адаптивная и неадаптивная СУ действуют одинаково успешно или одинаково неуспешно.
Адаптивные АБС. АБС полно автоматизируют банковские процессы и решают поставленные задачи, однако существует класс систем, который выделяется из общего ряда. Это системы автоматизации недетерминированной активности человека, действующие в реальном времени. Таковы системы автоматизации работы трейдеров на фондовых рынках. Потребность в таких системах возникает в связи с чрезвычайно высокой ценой ошибки работы человека на таких рынках (например, дневной объем торгов на NYSE составляет порядка $40 млрд. долларов). Автотрейдеры управляют ордерами и портфелями ордеров по определенным алгоритмам. Управление заключается в отправке ордера на рынок, изменения параметров ордера, а также отмене ордера. Например, достаточной простой пример простейшего автотрейдера это VWAP-алгоритм (VWAP – value-weighed average price). Алгоритм применяется для торговли ордерами на покупку/продажу большого (больше половины среднего дневного объема) количества акций определенного символа. В то время как алгоритмы работы автотрейдеров хорошо описаны и существую их «канонические» реализации, параметризация этих алгоритмов достаточна непроста и содержит в себе элемент know-how при каждом конкретном внедрении. Обычно алгоритмы параметризуются множеством параметров, собираемых при статистической обработке данных с рынков, результатов работы автотрейдера при предыдущих запусков, а также экспертных оценках трейдеров. Сильно волатильные рынки ценных бумаг требуют вмешательства в работу автоматической системы в реальном режиме времени. Подобные системы еще не существуют на рынке и их создание позволит достичь конкурентного преимущества владеющей ими организации. Таким образом, речь идет о системах управления (автотрейдерах) настраивающихся под изменения внешней среды в реальном режиме времени (Pair algorithmic trading, VWAP algorithmic trading).
При построении адаптивного автотрейдера, сформулируем КЭ:
,,
где i – номер цикла управления,
- доход, полученный на итерации управления,
- затраты, произведенные на итерации управления,
- объем рынка.
В качестве Решателя выступают канонические алгоритмы управления. Так как эти правила уже параметризуются, эти параметры будут выступать в виде адаптационных параметров. БКЭ должен реализовываться в виде компоненты подсчета P&L. При этом необходимо помнить о том, что прибыли и убытки кроме алгоритма дилинга еще зависят от текущей конъюнктуры рынка. Чтобы вычислить чистое подкрепление, необходимо вычислить P&L других участников рынка и сравнить текущий собственный P&L с другими. Вычисляя среднюю динамику других успешных участников и сравнивая ее с динамикой собственного, можно сделать вывод об эффективности управления и необходимости корректировки параметров. Разница между динамикой собственного и динамикой среднего P&L даст динамику чистого P&L для принятия решения о дообучении. Дообучение будет проводиться согласно описанного в предыдущих работах самообучения.
В четвертой главе приведен анализ результатов исследования методики. К методологическим преимуществам метода «внутреннего учителя» можно отнести следующие: метод «внутреннего учителя», по сравнению с СМП, не нуждается в постоянных рекурсивных возвратах к предыдущим изменениям. Т.е. система управления не должна «вспоминать» о прошлых изменениях, и о том, к чему они привели. Система управления оперирует лишь последними поступлениями подкрепления. Такое поведение системы влечет за собой меньшие требования к вычислительным ресурсам.
Для СМП-систем существует вероятность зацикливания системы по наилучшей, с точки зрения самой системы, контрольной точке. Система может быть не в состоянии выйти из локального минимума функции подкрепления. Для топологии Внутреннего учителя эта проблема обходится тем, что среди правил самообучения есть такие, которые произвольно изменяют адаптационные параметры правил управления при достаточно долгом относительном не изменении поступающего подкрепления.
Методика Внутреннего учителя органично реализуется для таких систем управления и сред, в которых время бесконечно. Блок аудита (учитель) и блок управления (решатель) строятся на основе нейросетей, что позволяет реализовывать правила управления и самообучения в виде нечетких и неточно заданных функций. Нейросети сами классифицируют ситуацию, в которой находится система, и выберут наиболее подходящее правила.
Недостаток сетей адаптивной критики, в сравнении с внутренним учителем, состоит в том, что этот алгоритм не является обобщенным и достаточным для построения универсальной самонастраивающейся системы управления, чтобы убедиться в этом, достаточно взглянуть на количество методов реализаций и структур. В алгоритме HDP также важно, чтобы система оставалась устойчивой, пока обе нейросети адаптировались (если система выйдет из устойчивого состояния, то вероятность адаптации крайне мала). Также недостатком (так как система должна управляться в on-line) является большее количество вычислений.
Главное отличие сети адаптивной критики от топологии внутреннего учителя состоит в том, что в первом известна конечная точка (либо задается сверху), где окажется система, и за счет этого строится обучение с использованием принципа Беллмана. Но в большинстве задач конечная точка не известна, есть только текущее состояние системы и внешней среды, история и нужно строить управление так, чтобы состояние системы не ухудшилось в следующий момент времени. Топология внутреннего учителя предназначена для более широкого круга задач, чем сети адаптивной критики, в качестве параметров управления используются только то, что есть на данный момент. Универсальность второго метода также заключается в том, что надо переписать только формулу вычисления коэффициента эффективности, в отличие от построения функции Беллмана (в которой также приходится убирать зависимость от некоторых параметров, в связи со сложностью представления и вычислительными затратами в динамическом программировании). Также нет прямой аналогии блоку аудита (учителю), который дает базовые знания нейросети и вырабатывает новые правила обучения.
Необходимо отметить также то, что топология внутреннего учителя строится изначально для систем, действующих в недетерминированной среде. Невозможно построить адекватную модель среды. И, следовательно, невозможно предсказать подкрепление, которое поступит, как результат того или иного управляющего воздействия. Большинство систем, обучаемых с подкреплением, могут действовать только в детерминированной среде с имеющейся моделью этой среды (например сети адаптивной критики).
В заключении перечислены научные и практические результаты, полученные автором в ходе исследований.
В приложениях представлен список правил самообучения, правила Решателя для комплекса лифтов, исходные коды программ, процедуры управления комплексом лифтов по расписанию.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
Проделанная в рамках диссертации работа позволила ответить на поставленные вопросы, цели и задачи исследования. В диссертации предложены, разработаны, апробированы на практике и внедрены новые методики. Выполненные исследования и разработки позволили получить следующие выводы:
- метод обучения самообучению в применении в СУ в недетерминированных средах выполняет задачу с достаточным качеством. Система способна адаптироваться в процессе управления;
- СУ, построенная с применением «внутреннего учителя» действует более эффективно, чем классические системы;
- адаптивный автотрейдер фондового рынка позволяет достичь существенных преимуществ в сравнении с классическими решениями
- экспериментальные результаты действия СУ, построенных с применением «внутреннего учителя», больше классических на 5-15% (в зависимости от применения и потенциала адаптации).
ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ
- Ключко В. И., Стасевич В. П., Шумков Е. А. Патент №20031338197/09(041224). «Интеллектуальный контроллер с нейронной сетью и правилами самомодификации»
- Стасевич В.П., Воротников С.А. Использование нейросетевых структур для управления динамическими объектами в недетерминированной среде // Экстремальная робототехника: Материалы XII Научно-технической конференции. – Санкт-Петербург: СПбГТУ, 2002.
- Стасевич В. П., Шумков Е. А., Ключко В. И., Воротников С. А. Адаптивные системы на основе самообучающихся нейросетей // Труды КубГТУ. – 2002. – Вып.2. - С. 192 – 198.
- Стасевич В.П., Шумков Е.А. Новый принцип построения самообучаемых систем управления // Нейрокомпьютеры и их применение: Труды VIII конференции. – Москва, 2002 – С. 1037 – 1039.
- Стасевич В. П., Шумков Е. А. Построение адаптивных систем управления на основе топологии «Внутренний учитель». // Инновационные процессы в высшей школе: Материалы IX Всероссийской научно - практической конференции. – Краснодар: КубГТУ, 2003. – С. 136.
- Ключко В. И., Стасевич В. П., Шумков Е. А. Сети адаптивной критики // Труды КубГТУ. – 2003. – №2. – С. 86 – 91.
- Стасевич В.П. Новый принцип построения самообучаемых систем управления // Экстремальная робототехника: Материалы XIV Научно-технической конференции. – Санкт-Петербург: СПбГТУ, 2004.
- Стасевич В.П., Зуева В.Н., Шумков Е.А. Обучение и самообучение в адаптивных системах управления // Известия вузов. Северо-Кавказский регион. Технические науки. – 2006. – Вып. июнь. - С. 134 - 137.
- Стасевич В.П., Зуева В.Н., Шумков Е.А. Построение адаптивных АБС // Интеллектуальные системы: Труды Седьмого международного симпозиума / под ред. К. А. Пупкова. - Краснодар, 2006.
- Стасевич В.П., Зуева В.Н., Шумков Е.А. Построение адаптивных АБС с применением обучения самообучению // Известия вузов. Северо-Кавказский регион. Технические науки. - 2006 - №2. - С. 76 – 79.
