Библиографическое описание:ПРИМЕНЕНИЕ ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ГОРНЫМИ МАШИНАМИ : научное издание / А. А. Ступина [и др.]. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2026. - №2. - С. 325-330. - ISSN 2218-5194.
Аннотация:Исследована возможность применения методов обучения с подкреплением для решения задач интеллектуального управления горными машинами. Разработана модель движения горной машины в цифровой среде, учитывающей наличие препятствий и изменяющихся условий функционирования. Для формирования управляющей стратегии использован алгоритм Proximal Policy Optimization, реализованный в программной среде Python. Проведена серия вычислительных экспериментов, включающая обучение агента, оценку его устойчивости и анализ поведения при изменении параметров среды. Установлено, что в процессе обучения агент способен самостоятельно формировать эффективную стратегию движения, обеспечивающую сокращение времени достижения цели и снижение числа столкновений с препятствиями. После завершения обучения вероятность успешного выполнения задачи достигла 96 %, а количество столкновений уменьшилось более чем в 17раз по сравнению со случайным управлением. Полученные результаты подтверждают перспективность использования методов обучения с подкреплением при разработке интеллектуальных систем управления горными машинами.
Investigates the possibility of applying reinforcement learning methods to intelligent control of mining machines. A digital model of mining machine movement was developed taking into account obstacles and changing operating conditions. The Proximal Policy Optimization algorithm implemented in the Python environment was used to generate the control strategy. A series of computational experiments was carried out, including agent training, stability assessment, and behavior analysis under varying environmental conditions. The results demonstrated that the agent was able to independently develop an effective navigation strategy that reduced travel time and minimized collisions with obstacles. After the completion of training, the probability of successful task execution reached 96 %, while the number of collisions decreased by more than seventeen times compared to random control. The obtained results confirm the potential of reinforcement learning methods for the development of intelligent control systems for mining machines operating in dynamic production environments.
Издательство:Тульский государственный университет, Тула
Источник:Известия Тульского государственного университета. Науки о Земле
Выпуск:№2
Номера страниц:325-330
Держатель оригинала документа:Российский государственный аграрный университет - МСХА имени К.А. Тимирязева, Сибирская пожарно-спасательная академия ГПС МЧС России, Сибирский государственный университет науки и технологий им. М. Ф. Решетнёва
Количество экземпляров:
Твёрдая копия издания отсутствует в фонде библиотеки
