Рассматривается задача построения оптимальной траектории перемещения управляемого подвижного объекта (УПО). В плоскости движения УПО находится конечное число неподвижных обнаружителей, расположение которых известно. Перемещение осуществляется за заданное время из фиксированной точки старта в фиксированную точку финиша по траекториям, представляющих собой плоские ломаные с началом в точке старта и концом в точке финиша. Управление уклоняющимся объектом осуществляется вектором скорости, модуль которого ограничен сверху, причем скорость на каждом из звеньев ломаной постоянна. Модуль и направляющий угол вектора скорости на каждом из отрезков выбираются так, чтобы минимизировать интегральный функционал, называемый риском обнаружения и зависящий от модуля вектора скорости, расстояний до обнаружителей и весовых коэффициентов влияния обнаружителей.

Рассматривается задача построения портфеля, приближающего лучшим образом на фиксированном временном интервале курс заданной валюты или стоимость товара. Для построения приближения используется набор временных рядов стоимостей других товаров или валют. В качестве функционала рассматривается модуль максимального отклонения на Δ или среднее квадратичное отклонение на Δ. Вначале осуществляется подготовка исходных рядов, в случае неполных данных в i-м временном ряде для заполнения пропущенных времен решается задача интерполяции. Неизвестными в задаче являются доли xi в портфеле каждого товара или валюты, сумма всех xi должна быть равна 1. Также на каждый вес xi могут быть наложены дополнительные ограничения сверху и снизу, которым необходимо удовлетворить.

Процесс развития любого предприятия предполагает совершенствование механизмов управления фирмой, позволяющих руководителю принимать управленческие решения, основываясь на достижениях науки, а не следуя интуитивным представлениям, базирующимся на его личном опыте. А это, в свою очередь, предполагает совершенствование процесса модельного обеспечения, исключающего совпадение пиков потребления ресурсов при работе над несколькими проектами. Для этой цели может применяться концепция поколения развития новой техники, формируемого из отдельных прототипов, являющихся действующими образцами, на которых можно определить некоторые особенности функционирования разрабатываемого проекта. Естественно, что не весь модельный ряд целесообразно включать в поколение развития новой техники. Именно поэтому возникает задача отбора минимально необходимого числа изделий для этих целей. Такая задача относится к классу задач о покрытии множества, полном – в том случае, когда отобранные прототипы должны обладать всем набором свойств, которыми обладает разрабатываемый модельный ряд, или частичном – в том случае, если требуется, чтобы отобранные образцы обладали только некоторым количеством свойств. Для решения обеих задач представлены точные алгоритмы и приближенные эвристические алгоритмы.

The article presents a comparative analysis of the results of using a predictive neuro-regulator developed in the MATLAB environment and using a neural network to correct the control signal of a hydraulic laboratory stand with a classical PI regulator in the task of maintaining the water level in a tank. The feasibility of using this approach has also been assessed. The results obtained can shed light on the advantages and limitations of using neuro-regulators using the example of a hydraulic bench.