Мета роботи - дослідження можливості підвищення ефективності комп'ютерних систем керування на основі використання методів машинного навчання. Запропоновано гібридний метод керування запасами з використанням стохастичного динамічного програмування та техніки навчання з підкріпленням, що є сумісною з несепарабельним критерієм. Модифіковано метод нейромережевої апроксимації Q-функцій RL-алгоритму, що дозволяє здійснювати корекцію конфігурації апроксимуючого багатошарового персептрону. Удосконалено структуру моделі прогнозування, алгоритм навчання якої базується на застосуванні нейромережевого фільтра-предиктора, що на відміну від існуючих забезпечує високу швидкодію та якість прогнозів в умовах нестаціонарності та невизначеності. Запропонована модель може бути використана для прогнозування тренду сигналів підкріплення при інтелектуальному керуванні динамічними об'єктами. У висновках наводяться результати виконаної роботи, і надається аналіз проведених досліджень. МАШИННЕ НАВЧАННЯ, СИГНАЛ ПІДКРІПЛЕННЯ, ГІБРИДНИЙ МЕТОД, СИСТЕМА КЕРУВАННЯ, НЕЙРОННА МЕРЕЖА, ДИНАМІЧНЕ ПРОГРАМУВАННЯ. The purpose of work - to investigate the possibility of increasing the profit of users of computer control systems using machine learning methods. The hybrid learning system that combine Q-learning and method of Belllman optimization dynamic is proposed. The principles of design of system are based on the adaptation recursive of estimation functions. In addition, the thesis considers the optimal strategies in control systems for dynamic objects using machine learning methods for reinforcement. The proposed approach allows to obtain high-quality approximation of the optimal strategies for evaluating functions by using multi-layer artificial neural networks. In this work for analysis effectiveness of machine learning methods have been many experiments, which produced the statistics. The results of the work are presented in the form of graphs and tables. In conclusion the results of the work are given and analyses of the studies are provided. MACHINE LEARNING, SIGNAL OF REINFORCEMENT, HYBRID METHOD, CONTROL SYSTEM, NEURAL NETWORK, DYNAMIC PROGRAMMING.
