Рассматривается актуальная задача обеспечения готовности беспилотных транспортных средств (агентов) в динамической технической системе (ДТС) в интеллектуальной транспортной среде. Исследуется проблема неравномерного распределения нагрузки между агентами и, как следствие, неэффективного расходования энергии, что сокращает общее время функционирования системы. Для решения проблемы предлагаются оптимизационная модель, включающая в себя целевую функцию, позволяющую максимизировать время работы всей ДТС, и набор ограничений, учитывающих доступную энергию каждого агента. Ключевой аспект модели – обеспечение равномерного распределения энергетической нагрузки между всеми агентами. Для решения задачи оптимизации модель использует алгоритм выполнимости булевых формул CP-SAT с целочисленными ограничениями. В ходе экспериментальной работы с алгоритмом CP-SAT было обнаружено интересное явление: существует корреляция между шагом дискретизации времени (интервалом, за который алгоритм ищет приемлемое решение) и временем работы оптимизационной программы, что позволило предложить эвристический метод изменения шага дискретизации. Основное внимание в исследовании уделено проверке работоспособности предложенной модели и алгоритма оптимизации в условиях реальных, подверженных внешним возмущениям, роботизированных транспортных систем. Модель испытана и показала работоспособность как на программных примерах с полностью известными параметрами системы, так и на реальном стенде, где параметры системы находятся под воздействием возмущений.

Изучается устойчивость седловых точек. Приведена теорема об устойчивости и примеры, показывающие существенность ее предположений. Приведены некоторые обобщения теоремы устойчивости. Определены обобщенно седловые точки и изучены их свойства. Исследована их устойчивость.

Доклад посвящен проблеме повторяемости и масштабирования экспериментов в машинном обучении. Данная проблема возникла после значительного рывка в технологиях, которые позволили использовать современные модели машинного обучения значительно чаще при решении прикладных задачах. Отсутствие повторяемости экспериментов приводит к искаженным результатам [1], которые могут повлиять на конечный результат всего исследования. Повторяемость экспериментов связано с задачей масштабирования экспериментов. Обе эти задачи требуют некоторой унификации кода, которое позволяет перезапускать код эксперимента множество раз, причем гарантируя единый результат. В случае масштабирования разные запуски выполняются с различными начальными условиями — к примеру, с различными гипераметрами, для ускорения подбора. Основной целью исследования является анализ существующих решений для построения системы проведения экспериментов на базе существующих открытых библиотек. В докладе анализируются различные инструменты для повышения качества проводимых исследований. Анализируются методы для работы с данными DVC [2] и методы для обучения моделей глубокого обучения на локальном компьютере и на внешнем кластере. В качестве базовых методов MLOps рассматриваются MLflow [3], W&B [4], Kubeflow [5]. В работе анализируется возможность использования различных инструментов в кластерных архитектурах, возможность использования кода при разработке моделей машинного обучения в команде, поддержка ipynb тетрадок и т.д. При построении итоговой системы проведения экспериментов учитывает общая популярность различных инструментов. В частности, их интеграция в уже существующие библиотеки обучения моделей глубокого обучения.