| dc.contributor.author | Давидюк, Юлия Ивановна | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2021-02-12T13:56:46Z | |
| dc.date.available | 2021-02-12T13:56:46Z | |
| dc.date.issued | 2020 | |
| dc.identifier.citation | Давидюк, Ю. И. Эволюционный метод управления агентами в многоагентной системе / Ю. И. Давидюк
// Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2020. – № 5. – С. 2–4 : ил. – Библиогр.: с. 4 (7 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/10614 | |
| dc.description | Yu. I. Davidyuk. EVOLUTIONAL METHOD OF AGENT CONTROL IN MULTI AGENT SYSTEM | ru_RU |
| dc.description.abstract | Предлагается эволюционный метод обучения нейронной сети. Приведен пример генетического алгоритма с его
параметрами, предложенный для обучения нейронной сети, контролирующей поведение агента в многоагентной системе.
Представлены архитектура нейронной сети, генетический алгоритм с функцией приспособленности и тестовая среда с
результатами тестирования различных функций активации нейронной сети. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.subject | генетический алгоритм | ru_RU |
| dc.subject | нейронная сеть | ru_RU |
| dc.subject | эволюционное программирование | ru_RU |
| dc.subject | многоагентные системы | ru_RU |
| dc.subject | neural network | ru_RU |
| dc.subject | genetic algorithm | ru_RU |
| dc.subject | evolutionary programming | ru_RU |
| dc.subject | multi-agent system | ru_RU |
| dc.title | Эволюционный метод управления агентами в многоагентной системе | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004.942 | ru_RU |
| dc.abstract.alternative | Evolutional method of training of the neural network is proposed. The sample of the genetic algorithm with its parameters proposed
to train neural network which controls behavior of the agent in multi agent system. Architecture of the neural network, genetic algorithm
with fitness function and test environment presented with results of testing for different activation functions of the neural network. | ru_RU |
| dc.identifier.doi | https://doi.org/10.36773/1818-1212-2020-123-5-2-4 | |
