UA : Робота викладена на 68 сторінках друкованого тексту, містить 4 рисунків, 65 джерел, 1 додаток. Об’єкт дослідження: процес прийняття рішень у слабо формалізованих складних системах. Предмет дослідження: моделювання процесу прийняття рішень у слабо формалізованих складних системах за допомогою алгоритмів глибинного навчання. Мета роботи: розробка, порівняння та дослідження алгоритмів на основі глибинного навчання для автоматизації прийняття рішень. Методи дослідження: аналітичний, експериментальний.
У роботі досліджено задачу алгоритмізації прийняття рішень у слабо формалізованих складних системах на основі методів глибинного навчання.
Розглянуто теоретичні основи моделювання процесів прийняття рішень, проаналізовано класифікацію задач та алгоритмів. Досліджено можливості алгоритмів глибинного навчання з підкріпленням для автоматизації прийняття рішень.
Запропоновано архітектуру та алгоритм на основі глибинного навчання з підкріпленням для автоматизації прийняття рішень у системі торгівлі на фондовому ринку. Проаналізовано ефективність алгоритму на реальних даних.
У результаті дослідження отримано задовільні результати, що свідчить про перспективність даних методів для автоматизації прийняття рішень у складних системах.
EN : The work is presented on 68 pages of printed text, 4 figures, 65 references, 1 supplement. The object of the study is decision making process in weakly formalized complex systems. The aim of the study is development and research of algorithms based on deep learning for decision making automation. The methods of research are analytical, experimental.
The thesis investigates the problem of algorithmizing of decision making in weakly formalized complex systems using deep learning methods.
The theoretical foundations of decision-making process modeling are considered, classification of tasks and algorithms is analyzed. The capabilities of deep reinforcement learning algorithms for decision making automation are explored.
An architecture and algorithm based on deep reinforcement learning are proposed for automating decision making in the stock market trading system. The efficiency of the algorithm on real data is analyzed.
The research results demonstrate satisfactory performance, indicating the promise of these methods for decision making automation in complex systems.