Розроблено гібридні методи машинного навчання в інтелектуальних системах різного функціонального призначення (на прикладі трейдинтових систем і систем інтелектуального керування), що дозволяють підвищити ефективність стратегій прийняття рішень. Запропоновано метод адаптації структури технічних індикаторів до поточного стану біржового ринку з подальшим формуванням стратегій трейдингової інтелектуальної системи, що базується на використанні комбінованого RL-навчання та генетичних алгоритмів. Розроблено гібридний метод керування запасами з використанням стохастичного динамічного програмування та техніки навчання з підкріпленням, яка є сумісною з несепарабельним критерієм. Модифіковано метод нейромережевої апроксимації Q-функцій RL-алгоритму, що дозволяє здійснювати корекцію конфігурації апроксимуючого багатошарового персептрону. Удосконалено структуру моделі прогнозування, алгоритм навчання якої базується на застосуванні нейромережевого фільтра-предиктора, що забезпечує високу швидкодію та якість прогнозів за умов нестаціонарності та невизначеності. Обгрунтовано доцільність використання моделі для прогнозування тренду сигналів підкріплення за інтелектуального керування динамічними об'єктами. Розроблені методи програмно реалізовано та використано для ряду практичних впроваджень.

• Гришко Андрій Олександрович (технічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"