Теоретическое и прикладное исследование сложных и распределенных систем, решение прикладных задач распознавания образов, анализа данных и комбинаторной оптимизации

В отчетном году была продолжена работа по основным научным темам лаборатории. В части управления воздушным транспортом была предложена модель задачи построения оптимального расписания и набора взаимодействий диспетчер–пилот по отработке этого расписания. В рассмотренной постановке при описании воздушных трасс учитываются такие особенности как возможное наличие зон ожидания, участков спрямления маршрута, веерных схем слияния, а также множественность траекторий от входа в зону до финальной точки. В предложенной модели отражены некоторые специфические аспекты работы диспетчера управления воздушным движением, а именно: указания диспетчера на изменения траектории или скорости судна выдаются пилоту по необходимости и не группируются; каждое изменение скорости судна в зоне управления воздушным движением происходит по указанию диспетчера; изменения скорости судна дискретные. Формализация модели выполнена в рамках смешанного целочисленного линейного программирования. На основе предложенной модели проведены вычислительные эксперименты, приводится анализ полученных численных результатов. В части развития нейросетевых приложений работа велась по двум направлениям. Первое направление связано с разработкой метода генерации синтетических данных для обучения нейронных сетей распознаванию актиновых филаментов. Для решения этой задачи были размечены 120 реальных изображений белковых филаментов, полученных с помощью микроскопа. Разметка включала как объектную маску филаментов, так и межкадровый трэкинг их передвижения. Предложена параметрическая модель изображения филамента, на основе которой было сгененировано 19518 изображений для обучающей выборки и 200 изображений для тестовой. Каждый кадр построенных данных был проверен вручную. На сгенерированных данных обучена нейронная сеть на основе архитектуры YoloX размера S. При использовании исходных 120 реальных кадров в качестве тестовых данных обученная сеть показала точность 80,71% по метрике 𝑚𝐴𝑃50. Использование бОльших размеров архитектуры YoloX существенно не изменило качество распознавания. Более длительное обучение приводило к деградации качества распознавания. При использовании в качестве тестового датасета из 200 синтетических изображений достигалась точность 93,69% по метрике 𝑚𝐴𝑃50 для архитектуры YoloX-S и 94,71% – для YoloX-L. Существенный разброс значений метрик при валидации на синтетическом и реальном датасетах свидетельствует о недостаточной репрезентативности синтетического датасета. Следующее направление связано с исследованием качества восстановления изображений, генерируемых событийной камерой. Восстановление проводилось с помощью нейронных сетей в условиях искусственной потери данных. В работе проведен обзор современных моделей событийных камер и нейронных сетей, предназначенных для обработки потока данных с этих камер. Предложены протоколы тестирования качества восстановления изображений от событийных камер в зависимости от типа и процента потерь данных. В соответствии с предложенными протоколами проведены вычислительные эксперименты, обсуждаются результаты. В части исследования сложных систем продолжено компьютерное моделирование коэволюции видов биосферы. В ходе вычислительных экспериментов с интенсивным использованием суперкомпьютера построены приближенные распределения численности видов в конце эксперимента по различным значениям фенотипических характеристик. Показано, что для всех рассмотренных фенотипических черт численность концентрируется в области более высоких по сравнению с исходными значений характеристик фенотипа.