Details

Title: Нейросетевые системы управления на основе моделей глубокого обучения: научный доклад: направление подготовки 09.06.01 «Информатика и вычислительная техника» ; направленность 09.06.01_02 «Системный анализ, управление и обработка информации (по отраслям)»
Creators: Ханафи Мохамед Яссин
Scientific adviser: Шкодырев Вячеслав Петрович
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2021
Collection: Научные работы аспирантов/докторантов; Общая коллекция
Subjects: Нейронные сети; Нефтепереработка; Искусственный интеллект; Автоматизированные системы планирования и управления; глубокое обучение с усилением; многоцелевая оптимизация; многоагентная система; иерархия Парето-оптимизация; deep reinforcement learning; multi objective optimization; multi-agent system; hierarchy Pareto optimization
UDC: 004.032.26; 665.6; 004.8; 658.513.2/.5
Document type: Scientific report
Language: Russian
Speciality code (FGOS): 09.06.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Rights: Текст не доступен в соответствии с распоряжением СПбПУ от 11.04.2018 № 141

Annotation

Последовательное принятие решений остается активной областью исследований со многими теоретическими, методологическими и экспериментальными задачами, которые все еще остаются открытыми. Важные разработки в области глубокого обучения способствовали появлению множества новых направлений, где методы Обучение с усилением и глубокого обучения сочетаются. В частности, глубокое обучение принесло важные возможности обобщения, что открывает новые возможности для работы с большими, высоко размерными пространствами состояний и/или действий. Есть все основания полагать, что это развитие продолжится в ближайшие годы, с более эффективными алгоритмами и множеством новых приложений.

Sequential decision making remains an active area of research with many theoretical, methodological, and experimental challenges that are still open. Important developments in deep learning have contributed to many new directions where reinforcement learning and deep learning methods are combined. In particular, deep learning has brought important generalization capabilities that open up new possibilities for dealing with large, high-dimensional state and/or action spaces. There is every reason to believe that this development will continue in the coming years, with more efficient algorithms and many new applications.