В статье рассматривается задача настройки дискретно-событийного симулятора системы хранения данных с помощью нейроморфных алгоритмов и методов обучения с подкреплением. Симулятор обладает некоторым набором входных параметров, на которые можно влиять во время работы. Изменение этих параметров влияет на реалистичность поведения модели. Задача настройки симулятора состоит в поиске оптимальной стратегии воздействия на параметры модели с целью повышения реалистичности. В работе продемонстрирована состоятельность такого подхода и его возможность к обобщению имеющихся закономерностей. Таким образом объединение симулятора и искусственной нейронной сети позволяют значительно упросить разработку точных моделей систем и процессов.

обучение с подкреплением, оптимальное управление, система хранения данных, цифровой двойник

1. Tao F., Cheng J., Qi Q., et al Digital twin-driven product design, manufacturing and service with big data // The International Journal of Advanced Manufacturing Technology, 94, 8 — 2018. — P. 3563–3576.
2. Kincaid, Jason Google’s Go: A New Programming Language That’s Python Meets C++ // TechCrunch, 2009.
3. Mnih V. at al. Playing Atari With Deep Reinforcement Learning // NIPS Deep Learning Workshop . — 2013.
4. Silver D. at al. Deterministic Policy Gradient Algorithms // Proceedings of the 31st International Conference on International Conference on Machine Learning - Volume 32 . — 2014. — P. I-387–I-395.

Если прикрепленный файл не отображается, перегрузите, пожалуйста, страницу

Скачать (PDF, 487KB)