Микросервисная архитектура — это неотъемлемая часть распределенных программных систем, требующих постоянного масштабирования и независимого развертывания всех элементов. Преимущества микросервисов позволяют значительно повысить эффективность современных веб-приложений и открывают новые возможности для развития бизнеса. Однако динамическая изменчивость современных интернет-сервисов, эволюция пользовательских потребностей, а также различные внешние факторы могут нивелировать преимущества микросервисной архитектуры. Перспективным способом адаптивного управления ресурсами распределенных программных систем являются алгоритмы машинного обучения, в особенности алгоритмы глубокого обучения с подкреплением. Рассмотрена интеграция микросервисной архитектуры и мультиагентного обучения с подкреплением. Объединение указанных подходов позволяет оптимизировать работу веб-приложений в нестационарных средах, позволяя системе адаптироваться к изменениям и находить оптимальные решения. Приведены результаты обучения мультиагентного алгоритма независимого Q-обучения в сервисе выбора дорожного маршрута на основе текущего состояния погоды. Для оценки эффективности системы разработаны и введены дополнительные параметры качества обслуживания, позволяющие в полной мере оценить потенциал интеграции микросервисной архитектуры с мультиагентным обучением для решения комплексных задач в динамических средах
Предложена имитационная компьютерная модель гетерогенного транспортного потока, основанная на подходе клеточных автоматов. В модели присутствуют три типа агентов — участников дорожного движения: транспортные средства, управляемые человеком, беспилотные и девиантные транспортные средства. В основе динамики движения лежат правила поведения, сформулированные в усовершенствованной модели S-NFS. Предложены и проанализированы три правила поведения девиантных агентов: два правила связаны с перестроением, и одно — с намеренным снижением скорости. Показано, что при средней плотности транспортного потока на него в основном влияют девиантные транспортные средства. Рассмотрена задача выявления девиантного поведения в транспортных потоках с использованием нейронных сетей. Исследование проводилось на созданной обучающей выборке, которая получена с помощью разработанной имитационной модели. Наблюдения в выборке включали в себя данные о скорости отслеживаемого транспортного средства, относительных положениях и скоростях соседних транспортных средств, а также информацию о перестроениях. Эти данные организованы в виде матриц, что позволило эффективно внедрить их в архитектуру нейронной сети. Полученные результаты демонстрируют, что нейронные сети, даже с относительно простой архитектурой, эффективно классифицируют транспортные средства в потоке и выявляют их девиантное поведение, что подчеркивает перспективность применения нейронных сетей в интеллектуальных транспортных системах
Рассмотрены влияние модуля имитации сетчатки глаза человека на возможность распознавания образов нейронной сетью, существующие программные модели сетчатки и их применение в задаче распознавания образов. Разработан модуль имитации сетчатки глаза человека. Модуль состоит из трех слоев. Первый слой имитирует рецепторы сетчатки глаза человека, предложены варианты расположения на этом слое программных рецепторов. Второй и третий слои модуля имитируют слои биполярных и ганглиозных клеток сетчатки. Для этих слоев разработан вариант организации рецептивных полей нейронов. Выполнена оценка качества работы модуля сетчатки глаза человека на задаче распознавания образов. Тестирование проведено на полносвязной нейронной сети. Создано две модели с одинаковыми параметрами. Одна обучалась на выборке изображений фруктов, сфотографированных с разных ракурсов, в оттенках серого, другая — на той же выборке, но предварительно обработанной с помощью модуля имитации сетчатки глаза человека. Приведены графики обучения нейронной сети на обеих выборках, результаты распознавания образов нейронной сетью и рекомендации по использованию описанного модуля