Доклад посвящен итеративному методу построения обобщенных решений задач оптимального управления дифференциальными системами с линейным неограниченным управлением, в частности, для билинейных систем. Такие задачи характеризуются отсутствием минимума (максимума) на ординарном классе допустимых процессов (непрерывные траектории, кусочно-непрерывные управления) и достижением его на некотором замыкании этого класса, включающем процессы с разрывными траекториями.

Воксельные технологии обладают большим потенциалом в качестве средств повышения эффективности инженерных расчетов в геометрическом моделировании. С их помощью удается радикально повысить эффективность решения ряда расчетных задач, которые в классическом МКЭ требуют ресурсоемкого многоитерационного перебора больших массивов мелких геометрических элементов, аппроксимирующих форму поверхности. Вместо перебора на базе воксельной модели выполняется прямое аналитическое построение рассчитываемой геометрической формы. Таким путем задействуются обширные возможности компьютерных технологий дискретного моделирования и информационной абстракции, остающиеся вне рамок методов типа МКЭ. Разрабатываемый инструментарий позволит создавать оригинальные средства аналитического моделирования, отличающиеся повышенной точностью компьютерного геометрического представления физических объектов.

A system identification method using prediction models based on the imitation of analyst’s associative thinking is developed. The identification algorithms using associative search for description of knowledge about control plant are given.

Дан теоретико-управленческий анализ государственной деятельности по охране здоровья населения России. Обоснована необходимость расширения этой деятельности путем управления непосредственно здоровьем в рамках государственно-общественного партнерства, при котором обеспечиваются достижение максимально возможного уровня индивидуального здоровья и ответственность граждан за конечный результат.

Methods of nonlinear filtering and interpolation of an unobservable Markov chain with a finite set of states are developed here. This Markov chain controls coefficients of AR(p) model. Using observations generated by AR(p) model we have to estimate the state of Markov chain in the case of an unknown probability transition matrix. To solve this problem we construct a system of equations with respect to the posterior probability of Markov states. According to the idea of empirical Bayes approach we represent these equations in the form independent of the unknown transition matrix. The resulting equations are solved using non-parametric kernel procedures by dependent observations. Comparison of proposed non-parametric algorithms with the optimal methods in the case of the known transition matrix is carried out by simulating.