Тема выпускной квалификационной работы: “Применение алгоритмов машинного обучения в задачах преследования-уклонения”. Данная работа посвящена исследованию применимости алгоритмов машинного обучения в задачах преследования-уклонения, а также сравнению их с классическими методами решения таких задач – аналитическими и численными. Исследование проводится на примере трёх задач – задачи о наискорейшем достижении заданной ординаты, как частного случая задачи преследования, в которой целью является неподвижная линия, той же задачи, но с дополнительным ограничением, и задачи уклонения с простым движением. В работе также представлен новый гибридный метод машинного обучения. Конкретный раздел машинного обучения, из которого будут взяты используемые алгоритмы – обучение с подкреплением. Актуальность данной работы определяется самой по себе актуальностью машинного обучения. С ростом вычислительной мощности машин становятся доступными методы решения задач, условия которых либо невозможно, либо очень сложно адаптировать под уже имеющиеся алгоритмы. Как правило, численное решение прикладной задачи часто занимает много времени, также, как и обучение нейронной сети. Работа является актуальной и в силу относительно небольшого количества работ на эту тему на русском языке, по сравнению с работами на английском.

The theme of the final qualification work: “Application of machine learning algorithms in the pursuit-evasion problems”. This work is devoted to the study of the applicability of machine learning algorithms in pursuit-evasion problems, as well as their comparison with classical methods for solving such problems – analytical and numerical. The study is carried out on the example of two problems – the problem of reaching the given ordinate as soon as possible, as a special case of the pursuit problem, in which the goal is a fixed line, the same problem with additional restriction, and the lady-in-the-lake problem. The new hybrid machine learning algorithm is also presented in this paper. The specific branch of machine learning from which the algorithms used in this work were taken is reinforcement learning. The relevance of this work is determined by the relevance of machine learning itself. As the computational power of machines grows, new methods for solving problems become available. These methods allow us to solve problems which are difficult or even impossible to adapt to existing algorithms. In case of this work, we mean numerical and analytical methods. Usually, numerical methods used in practice often take a lot of time, as well as training a neural network. Analytical solution of real-life problems is often impossible at all. This work is also relevant due to the relatively small amount of works on this topic in Russian, compared with works in English.