Задача перехвата движущейся по прямолинейной или круговой траектории цели машиной Дубинса сформулирована как задача оптимального управления по критерию быстродействия с произвольным направлением скорости машины при перехвате. Для решения данной задачи и синтеза траекторий перехвата использовались нейросетевые методы обучения без учителя на основе алгоритма Deep Deterministic Policy Gradient. Проведен анализ полученных законов управления и траекторий перехвата по сравнению с аналитическими решениями задачи перехвата, проведено моделирование для параметров движения цели, которые нейросеть не видела при обучении. Проведены модельные эксперименты по проверке устойчивости решения. Показана эффективность применения нейросетевых методов синтеза траекторий перехвата для заданных классов движений цели.

Рассматривается аналитическая модель обработки пакета однотипных запросов в многопоточном сервере. Модель опирается на высокую детерминированность длительности отдельных этапов обработки запросов и моментов событий, приводящих к переключению процессора с одной обрабатывающей программной нити на другую. В отличие от других детерминированных моделей, построенных на основе теории расписаний, в данном случае целью является не поиск оптимального распределения работ по процессорам, но изучение зависимости основных характеристик программного сервера (время обработки пакета, предельная производительность) от характеристик запроса и размеров пакета.

Предлагается обобщение процедуры динамического расширения и смешивания, которое в отличие от базовой процедуры, во-первых, гарантирует убывание ошибки идентификации неизвестных параметров при выполнении условия частичного конечного возбуждения регрессора, а во-вторых, при частичном неисчезающем возбуждении регрессора с рангом не менее единицы обеспечивает экспоненциальную сходимость к нулю ошибки слежения за регрессионной функцией.