В статье анализируются вопросы применения имитационных моделей для решения задач управления сложными системами. Описывается история вопроса – постепенное расширение направлений их использования в управлении. Отмечаются достаточно успешные результаты использования имитационных моделей для стратегического управления сложными системами в самых различных областях, например работы, описанные в [6, 7]. Упомянуто, что достаточно большое время исполнения большинства имитационных моделей затрудняет применение их в оперативном управлении, особенно для сложных систем. Предлагаются перспективы решения этой проблемы, связанные с синергией множества объективных факторов: появлением принципиально новых вычислительных возможностей, использованием современных концепций имитационных исследований, комбинацией метода имитационного моделирования с многофакторной оптимизацией и использованием модели в качестве решателя. Предоставление возможности проведения оптимизирующих экспериментов с моделью позволяет находить и рекомендовать наилучшие направления развития системы. Эффективность применения оптимизирующих экспериментов показана в статье для нахождения варианта оптимального планирования выпуска продукции нефтеперерабатывающим предприятием. Успешно была апробирована технология получения оптимального решения в среде моделирования за счет подключения к среде моделирования ­GPSS Studio комплекса многопараметрической оптимизации ­IOSO. По результатам работы был сделан вывод, что в перспективе получение оптимального решения позволит использовать имитационную модель в качестве автоматического «интеллектуального решателя» в автоматизированных процессах производственного планирования. Проведенный анализ и оценки показали, что комплексное использование всех новых возможностей обеспечивает достижение синхронизации времени исполнения модели и требуемого времени реакции на выработку управляющего решения. Делается вывод о начале активного использования метода имитационного моделирования для оперативного управления сложными системами.

In the era of data-driven machine learning algorithms, data represents a new oil. The application of machine learning algorithms shows they need large heterogeneous datasets that crucially are correctly labeled. However, data collection and its labeling are time-consuming and labor-intensive processes. A particular task we solve using machine learning is related to the segmentation of medical devices in echocardiographic images during minimally invasive surgery. However, the lack of data motivated us to develop an algorithm generating synthetic samples based on real datasets. The concept of this algorithm is to place a medical device (catheter) in an empty cavity of an anatomical structure, for example, in a heart chamber, and then transform it. To create random transformations of the catheter, the algorithm uses a coordinate system that uniquely identifies each point regardless of the bend and the shape of the object. It is proposed to take a cylindrical coordinate system as a basis, modifying it by replacing the Z-axis with a spline along which the h-coordinate is measured. Having used the proposed algorithm, we generated new images with the catheter inserted into different heart cavities while varying its location and shape. Afterward, we compared the results of deep neural networks trained on the datasets comprised of real and synthetic data. The network trained on both real and synthetic datasets performed more accurate segmentation than the model trained only on real data. For instance, modified U-net trained on combined datasets performed segmentation with the Dice similarity coefficient of 92.62.2%, while the same model trained only on real samples achieved the level of 86.53.6%. Using a synthetic dataset allowed decreasing the accuracy spread and improving the generalization of the model. It is worth noting that the proposed algorithm allows reducing subjectivity, minimizing the labeling routine, increasing the number of samples, and improving the heterogeneity.

Работа посвящена синтезу системы управления максимальным значением линейной хордовой концентрации электронов плазмы в сферическом токамаке Глобус-М2 (ФТИ им. А.Ф. Иоффе, Санкт-Петербург). Для этого на основе экспериментальных данных было разработано несколько моделей, позволяющих определять значение концентрации в течение разряда в токамаке. В каждой из них использовались нейронные сети различной архитектуры (полносвязная, свёрточная, реккурентная и с механизмом внимания). Система управления строилась на модели, показавшей наиболее близкий к тестовым данным результат при помощи алгоритмов обучения с подкреплением на основе градиента стратегии.