Методология гибридного информационного обеспечения принятия оптимальных решений по управлению динамическими процессами: нейросетевая и квантовая поддержка вычислений
(Стр. 182-190)
Подробнее об авторах
Пьянков Валерий Валерьевич
аспирант
Российский университет дружбы народов имени Патриса Лумумбы
г. Москва, Российская Федерация Ковалева Екатерина Александровна кандидат экономических наук; доцент, кафедра механики и процессов управления; Российский университет дружбы народов имени Патриса Лумумбы; г. Москва, Российская Федерация
Российский университет дружбы народов имени Патриса Лумумбы
г. Москва, Российская Федерация Ковалева Екатерина Александровна кандидат экономических наук; доцент, кафедра механики и процессов управления; Российский университет дружбы народов имени Патриса Лумумбы; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Классическое информационное обеспечение оптимального управления динамическими процессами – это совокупность методов, моделей и вычислительных средств, обеспечивающих сбор, согласование, оценивание, прогнозирование и интерпретацию данных о состоянии объекта с целью построения допустимого и оптимального управляющего воздействия в условиях неопределенности, ограничений и многокритериальности. Однако в современных условиях сенсорного насыщения и цифровизации технологических процессов возникают принципиальные трудности, связанные с ростом вычислительной сложности алгоритмов синтеза оптимальных решений по мере увеличения размерности пространства состояний, а также неопределенностью внешней среды – неполнотой/зашумленностью априорной информации о текущем состоянии многомерных процессов/объектов управления. Цель работы – предложить концепцию информационного обеспечения принятия оптимальных решений по управлению динамическими процессами в высокоразмерных задачах, в основе которой лежит отказ от детерминированного вычисления одного оптимального решения. Вместо этого формируется гибридное информационное пространство, где: нейросетевые операторы выполняют непрерывную редукцию размерности и быструю аппроксимацию обратной связи, а квантовые процессоры используются как специализированные ускорители для двух NP-сложных подзадач. Приведен пример реализации динамической нейросети для приближенных решений на втором этапе последовательности функционирования гибридного информационного обеспечения. Описана процедура квадратичной дискретной квантовой оптимизации без ограничений на основе адиабатического квантового отжига, применимая на конечном этапе поиска оптимального решения.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Пьянков В.В., Ковалева Е.А. Методология гибридного информационного обеспечения принятия оптимальных решений по управлению динамическими процессами: нейросетевая и квантовая поддержка вычислений // Computational Nanotechnology. 2026. Т. 13. № 2. С. 182-190. DOI: 10.33693/2313-223X-2026-13-2-182-190. EDN: YZOAZA
Список литературы:
Bao Y., Arifuzzaman M., Le T.D. et al. A convergent method for energy optimization in modern Hopfield networks. Big Data and Cognitive Computing. 2026. Vol. 10. No. 3. Art. 71. DOI: 10.3390/bdcc10030071.
Complex systems: Spanning control and computational cybernetics: applications. P. Shi, J. Stefanovski, J. Kacprzyk (eds.). Cham: Springer, 2022. 539 p. DOI: 10.1007/978-3-031-00978-5.
Control systems benchmarks. J.M. Maestre, C. Ocampo-Martinez (eds.). Cham: Springer, 2025. 219 p. (Advances in Industrial Control). DOI:10.1007/98-3-031-76312-0.
Kim S., Ahn S.-W., Suh I.-S. et al. Quantum annealing for combinatorial optimization: A benchmarking study. NPJ Quantum Information. 2025. Vol. 11. Art. 77. DOI: 10.1038/s41534-025-01020-1.
Li S., Zheng Y., Xue B. Intelligent optimal control for distributed industrial systems. Singapore: Springer, 2023. 267 p. DOI: 10.1007/978-981-99-0268-2.
Light B. The principle of optimality in dynamic programming: A pedagogical note. Operations Research Letters. 2024. Vol. 57. Art. 107165 DOI: 10.1016/j.orl.2024.107165.
Mohammed M.Q., Meeß H., Otte M. Review of the application of quantum annealing-related technologies in transportation optimization. Quantum Information Processing. 2025. Vol. 24. No. 9. Art. 296. DOI: 10.1007/s11128-025-04870-y.
Quinton F.A., Myhr P.A.S., Barani M. et al. Quantum annealing applications, challenges and limitations for optimisation problems compared to classical solvers. Scientific Reports. 2025. Vol. 15. Art. 12733. DOI: 10.1038/s41598-025-96220-2.
Shan M., Yang Y., Tang Q. et al. Dynamic analysis, FPGA implementation and application of memristive Hopfield neural network with synapse crosstalk. Electronics. 2025. Vol. 14. No. 12. Art. 2464. DOI: 10.3390/electronics14122464.
Spoor J.M., Weber J. Evaluation of process planning in manufacturing by a neural network based on an energy definition of Hopfield nets. Journal of Intelligent Manufacturing. 2023. Vol. 35. No. 6. Pp. 2625–2643. DOI: 10.1007/s10845-023-02158-5.
Xu Z., Shang W., Kim S. et al. Quantum annealing-assisted lattice optimization. npj Computational Materials. 2025. Vol. 11. No. 1. Art. 4. DOI: 10.1038/s41524-024-01505-1.
Zhang X., Liu Y. et al. Dynamic analysis and implementation of a multi-stable Hopfield neural network. Chaos, Solitons & Fractals. 2025. Vol. 199. Art. 116657. DOI: 10.1016/j.chaos.2025.116657.
Complex systems: Spanning control and computational cybernetics: applications. P. Shi, J. Stefanovski, J. Kacprzyk (eds.). Cham: Springer, 2022. 539 p. DOI: 10.1007/978-3-031-00978-5.
Control systems benchmarks. J.M. Maestre, C. Ocampo-Martinez (eds.). Cham: Springer, 2025. 219 p. (Advances in Industrial Control). DOI:10.1007/98-3-031-76312-0.
Kim S., Ahn S.-W., Suh I.-S. et al. Quantum annealing for combinatorial optimization: A benchmarking study. NPJ Quantum Information. 2025. Vol. 11. Art. 77. DOI: 10.1038/s41534-025-01020-1.
Li S., Zheng Y., Xue B. Intelligent optimal control for distributed industrial systems. Singapore: Springer, 2023. 267 p. DOI: 10.1007/978-981-99-0268-2.
Light B. The principle of optimality in dynamic programming: A pedagogical note. Operations Research Letters. 2024. Vol. 57. Art. 107165 DOI: 10.1016/j.orl.2024.107165.
Mohammed M.Q., Meeß H., Otte M. Review of the application of quantum annealing-related technologies in transportation optimization. Quantum Information Processing. 2025. Vol. 24. No. 9. Art. 296. DOI: 10.1007/s11128-025-04870-y.
Quinton F.A., Myhr P.A.S., Barani M. et al. Quantum annealing applications, challenges and limitations for optimisation problems compared to classical solvers. Scientific Reports. 2025. Vol. 15. Art. 12733. DOI: 10.1038/s41598-025-96220-2.
Shan M., Yang Y., Tang Q. et al. Dynamic analysis, FPGA implementation and application of memristive Hopfield neural network with synapse crosstalk. Electronics. 2025. Vol. 14. No. 12. Art. 2464. DOI: 10.3390/electronics14122464.
Spoor J.M., Weber J. Evaluation of process planning in manufacturing by a neural network based on an energy definition of Hopfield nets. Journal of Intelligent Manufacturing. 2023. Vol. 35. No. 6. Pp. 2625–2643. DOI: 10.1007/s10845-023-02158-5.
Xu Z., Shang W., Kim S. et al. Quantum annealing-assisted lattice optimization. npj Computational Materials. 2025. Vol. 11. No. 1. Art. 4. DOI: 10.1038/s41524-024-01505-1.
Zhang X., Liu Y. et al. Dynamic analysis and implementation of a multi-stable Hopfield neural network. Chaos, Solitons & Fractals. 2025. Vol. 199. Art. 116657. DOI: 10.1016/j.chaos.2025.116657.
Ключевые слова:
управление высокоразмерными динамическими процессами, информационное обеспечение, динамическая нейронная сеть, оптимизация, квантовый отжиг.
