Работа сравнивает применение рекуррентных сетей и моделей на основе архитектуры трансформеров для решения задачи предсказания времени завершения бизнес-процесса. Модели по определению моделируют последовательность исполнения действий и способны учитывать множество атрибутов в определении целевых характеристик. Для сравнения были использованы рекуррентная модель  долгой краткосрочной памяти и трансформер-энкодер собственной архитектуры, работа которых была опробована на открыто представленных реальных данных из логов службы поддержки. Обучение и тестирование моделей проводилось с помощью языка Python с помощью библиотек pandas, numpy, torch с одинаковой для обеих моделей подготовкой данных, формированием префиксов и разбиением по времени. Сравнение в результате экспериментов по средней абсолютной ошибке показало преимущество энкодера-трансформера; по среднеквадратичному отклонению зафиксирована примерно одинаковая точность моделей с незначительно большей точностью модели-транфсормера.

Ключевые слова: предиктивный мониторинг, журнал событий, машинное обучение, трансформер-энкодер, нейронные сети, подготовка данных, регрессионная модель, нормализация, паддинг, рекуррентная сеть, архитектура модели

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

В статье представлен новый подход адаптивного управления параметрами генетического алгоритма, основанный на методах обучения с подкреплением. Использование алгоритма Q-обучения позволяет динамически изменять вероятности мутации и кроссовера в зависимости от текущего состояния популяции и прогресса эволюционного процесса. Экспериментально показано, что данный подход обеспечивает более эффективное решение задач оптимизации по сравнению с классическим генетическим алгоритмом и предыдущими подходами с использованием искусственных нейронных сетей. Проведены тестирования на функциях Растригина и Шаффера, подтверждающие преимущества нового метода в задачах с большим числом локальных экстремумов и высокой размерностью.

Ключевые слова: генетический алгоритм, обучение с подкреплением, адаптивное управление, Q-обучение, глобальная оптимизация, функция Растригина, функция Шаффера

1.2.2 - Математическое моделирование, численные методы и комплексы программ

Данная работа посвящена разработке нового подхода к решению задач оптимизации, основанного на синтезе генетических алгоритмов и искусственных нейронных сетей. Предложенная гибридная система включает в себя механизм динамической адаптации параметров эволюционного процесса на основе обучающейся нейронной сети, что позволяет эффективно решать задачи с многими локальными минимумами, шумными данными и изменяющимися условиями. В рамках исследования были проанализированы существующие методы эволюционного поиска, выявлены их ограничения и предложены решения, направленные на повышение эффективности оптимизации. Основной целью работы является создание алгоритма, который с помощью нейронной сети может изменять параметры мутации и кроссовера в процессе поиска, что позволяет избегать преждевременной сходимости и ускоряет нахождение глобального экстремума. Экспериментальная часть работы включает тестирование предложенного метода на примере функции Растригина, где показана эффективность гибридного подхода по сравнению с традиционными методами. Результаты демонстрируют, что динамическая настройка параметров, предложенная в данной работе, значительно улучшает результаты поиска в условиях многопараметрических задач и может быть использована для более сложных оптимизационных проблем. В заключение обсуждаются возможные направления дальнейших исследований и расширений предложенной методики.

Ключевые слова: генетический алгоритм, искусственная нейронная сеть, динамическая настройка, гибридный метод, глобальная оптимизация, адаптивный алгоритм

1.2.2 - Математическое моделирование, численные методы и комплексы программ