Научный архив: статьи

Актуальность и цели. Рассматриваются вопросы разработки моделей и метода оценки временных и стоимостных рисков производства продукции предприятий оборонно-промышленного комплекса. Целью является создание моделей и алгоритма предиктивного анализа рисков при составлении календарного плана-графика выполнения проектных заданий для поддержки принятия решений руководителями предприятий оборонно-промышленного комплекса.

Материалы и методы. В ходе исследований разработаны модели расчета и анализа рисков срыва сроков поставок и изменения стоимости электронной компонентной базы изделий.

Результаты. Важным результатом является алгоритм вероятностной оценки рисков отклонения поставки электронных компонент от запланированных сроков при производстве изделий. Алгоритм анализа рисков решает задачи оценки временных и стоимостных параметров проектного задания на соответствие прогнозным величинам на ранней стадии производственного цикла. Результаты анализа применяются в процессе принятия решений, что позволяет компенсировать факторы неопределенности до начала выполнения проектных работ и повышает эффективность управления производственными проектами.

Выводы. Внедрение модели и метода прогностической оценки рисков на основе анализа имеющейся статистики на предприятии позволяет использовать полученные результаты для анализа других параметров проектного задания, например параметров надежности изделий и показателей качества. Модели и алгоритм анализа рисков предназначены для руководящего персонала предприятия и в настоящее время используются при составлении календарного плана-графика кооперационных процессов в ходе выполнения производственных заданий по выпуску изделий оборонно-промышленного комплекса.

В настоящей статье рассматриваются аспекты применения методов машинного обучения к существующим способам моделирования поведения интеллектуальных агентов для обеспечения возможности агентам повысить показатели своей эффективности в моделях конкуренции. Практическая значимость исследования представлена разработкой подхода к моделированию поведения интеллектуальных агентов, за счет которого можно повысить эффективность их функционирования в таких сферах деятельности, как компьютерные игры, разработка беспилотных летательных аппаратов и поисковых роботов, изучение городской и транспортной мобильности, а также в прочих сложных системах. Проведен обзор существующих методов машинного обучения (обучение с подкреплением, глубокое обучение, Q-обучение) и способов моделирования поведения агентов (модель на правилах, конечно-автоматная модель поведения, деревья поведения). Выбрана наиболее подходящая к задаче комбинация метода обучения и модели поведения: деревья поведения и обучение с подкреплением. Средствами Unity реализована тестовая платформа, разработаны модели поведения четырех основных архетипов агентов, которые должны соревноваться в задаче сбора ресурсов в условиях ограниченного времени. Реализован обученный агент с помощью средств Unity ML и TensorFlow. На базе тестовой платформы проведена серия экспериментов в различных условиях: ограниченность, изобилие, среднее количество ресурсов. В рамках эксперимента тестировалась способность разработанной модели поведения интеллектуального агента выигрывать в условиях конкуренции с агентами, снабженными различными вариантами традиционных моделей поведения на базе деревьев поведения. Оценены работоспособность и преимущества использования разработанной модели поведения. Проанализированы результаты эксперимента, сделаны выводы относительно потенциала выбранной комбинации методов.