Все выпуски

Классические численные методы, применяемые для предсказания эволюции гидродинамических систем, предъявляют высокие требования к вычислительным ресурсам и накладывают ограничения на число вариантов геолого-гидродинамических моделей, расчет эволюции состояний которых возможно осуществлять в практических условиях. Одним из перспективных подходов к разработке эвристических оценок, которые могли бы ускорить рассмотрение вариантов гидродинамических моделей, является имитационное моделирование на основе обучающих данных. В рамках этого подхода методы машинного обучения используются для настройки весов искусственной нейронной сети (ИНС), предсказывающей состояние физической системы в заданный момент времени на основе начальных условий. В данной статье описаны оригинальная архитектура ИНС и специфическая процедура обучения, формирующие эвристическую модель двухфазного течения в гетерогенной пористой среде. Основанная на ИНС модель с приемлемой точностью предсказывает состояния расчетных блоков моделируемой системы в произвольный момент времени (с известными ограничениями) на основе только начальных условий: свойств гетерогенной проницаемости среды и размещения источников и стоков. Предложенная модель требует на порядки меньшего процессорного времени в сравнении с классическим численным методом, который послужил критерием оценки эффективности обученной модели. Архитектура ИНС включает ряд подсетей, обучаемых в различных комбинациях на нескольких наборах обучающих данных. Для обучения ИНС в рамках многоэтапной процедуры применены техники состязательного обучения и переноса весов из обученной модели.

В работе рассматривается применение технологии роевого интеллекта для построения агентных имитационных моделей. В качестве примера построена минимальная модель, иллюстрирующая влияние информационных воздействий на правила поведения агентов в простейшей модели конкуренции между двумя популяциями, агенты которых выполняют простейшую задачу переноса ресурса из подвижного источника на свою территорию. Алгоритм движения агентов в пространстве модели реализован на основе классического алгоритма роя частиц. Агенты имеют жизненный цикл, то есть учитываются процессы рождения и гибели. В модели учитываются информационные процессы, которые определяют целевые функции поведения вновь появившихся агентов. Эти процессы (обучение и переманивание) определяются информационными воздействиями со стороны популяций. При определенных условиях в системе агентов возникает третья популяция. Агенты такой популяции информационно воздействуют на агентов остальных популяций в некотором радиусе вокруг себя, изменяя их правила поведения в соответствии со своими, что в определенных условиях вытесняет остальные популяции.

В результате проведенных имитационных экспериментов было показано, что в системе реализуются следующие финальные состояния: вытеснение новой популяцией остальными, сосуществование новой популяции и остальных популяций и отсутствие такой популяции. Было показано, что с увеличением радиуса влияния агентов популяция с измененными правилами поведения вытесняет все остальные. Также показано, что в случае труднодоступного ресурса стратегия переманивания агентов конкурирующей популяции более выгодна.

Рассматривается способ локализации точек Штейнера средствами MatLab в задаче Штейнера с потоком на евклидовой плоскости, когда соединяемые точки лежат в вершинах четырех-, пяти- или шестиугольника. Матрица смежности считается заданной. Метод использует способ решения трехточечной задачи Штейнера, в которой дерево Штейнера связывает три точки. Представлена визуализация най- денных решений.