В настоящее время наблюдается большой интерес к сфере математического моделирования социальных процессов. Большой поток информации, социальных контактов, правил взаимодействия людей и объектов между собой зачастую приводит к ошибкам или сбоям в системе. Для того чтобы минимизировать риски и оптимизировать работу, обращаются к имитационным моделям, задавая им различные правила взаимодействия и возможные состояния. Целью данного исследования является математическое описание процесса отбора обучающихся на программу дополнительного образования. Для достижения сформулированной цели автором был рассмотрен пример применения гибридных автоматов для отбора на программы дополнительного образования. Особенность гибридных автоматов позволяет комбинировать в себе несколько условий и проводить более глубокий анализ абитуриентов – уровень их знаний, наличие высокой мотивации и интереса к предлагаемой программе. По результатам проведенного исследования были выполнены расчеты для абитуриентов, поступающих на программу образовательного проекта Яндекс.Лицей. Приведенные данные показывают, что поступившие по результатам вступительных испытаний имеют высокие образовательные показатели в год окончания обучения. Как показывают результаты апробации такого автомата, подавляющее большинство поступающих успешно осваивают выбранную программу дополнительного образования, получая высокие выпускные баллы.
Currently, there is great interest in the field of mathematical modeling of social processes. A large flow of information, social contacts, rules of interaction between people and objects often lead to errors or failures in the system. In order to minimize risks and optimize work, they turn to simulation models, setting them various rules of interaction and possible states. The purpose of this study is a mathematical description of the process of selecting students for an additional education program. To achieve the formulated goal, the author considered an example of using hybrid machines for selection for additional education programs. The peculiarity of hybrid machines allows you to combine several conditions and conduct a more in-depth analysis of applicants – their level of knowledge, high motivation and interest in the proposed program. Based on the results of the study, calculations were made for applicants entering the Yandex.Lyceum educational project program. The data provided show that those admitted based on the results of entrance examinations have high educational indicators in the year of graduation. As the results of testing such a machine show, the overwhelming majority of applicants successfully master the selected additional education program, receiving high graduation grades.
1. Россихина Л.В., Бецков А.В., Макаров В.Ф., Кондратьев В.Д. Математическое моделирование отношений агентов организационной системы // Моделирование, оптимизация и информационные технологии. 2024. № 12 (4). URL: https://moitvivt.ru/ru/journal/pdf? id=1661 (дата обращения: 01.06.2025). DOI: 10.26102/2310-6018/2024.47.4.001.
2. Elmetennani S., Laleg-Kirati T.M., Djemai M., Tadjine M. New MPPT algorithm for PV applications based on hybrid dynamical approach // Journal of Process Control. 2016. Vol. 48. P. 14–24. DOI: 10.1016/j.jprocont.2016.10.001.
3. Сай В.К., Щербаков М.В. Классификационный подход на основе комбинации глубоких нейронных сетей для прогнозирования отказов сложных многообъектных систем // Моделирование, оптимизация и информационные технологии. 2020. № 8 (2). URL: https://moit.vivt.ru/wp-content/uploads/2020/05/SaiShcherbakov_2_20_1.pdf (дата обращения: 01.08.2025). DOI: 10.26102/2310-6018/2020.29.2.037.
4. Клебанов Б.И., Антропов Т.В. Применение модели гибридного автомата для формализации поведения интеллектуальных агентов // Современные наукоемкие технологии. 2019. № 4. С. 32–35. URL: https://top-technologies.ru/ru/article/view?id=37487 (дата обращения: 17.02.2025).
5. Klebanov B., Riabkina E., Antropov T. The principles of multi-agent models of development based on the needs of the agents // Proceedings of the 35th Chinese Control Conference. CCC 2016. 2016. Р. 7551–7555. DOI: 10.1109/ ChiCC.2016.7554553.
6. Klebanov B.I., Antropov T.V. Cycle of the needs satisfaction, and information support of the society development simulation system // AIP Conference Proceedings. 2017. Vol. 1836, Is. 1. Р. 020039. DOI: 10.1063/1.4981979.
7. Азарнова Т.В., Аснина Н.Г., Бондаренко Ю.В., Сорокина И.О. Сетевое планирование и ресурсная оптимизация проекта в условиях нечеткого группового экспертного оценивания длительности выполнения работ // Моделирование, оптимизация и информационные технологии. 2025. № 13 (1). URL: https://moitvivt.ru/ru/journal/pdf?id=1861 (дата обращения: 03.06.2025). DOI: 10.26102/2310-6018/2025.48.1.041.
8. Афанасьев В.В., Афанасьев И.В., Куницына С.М. Принятие управленческих решений в процессе формирования партнерских отношений в системе дополнительного профессионального образования // Инновационные проекты и программы в образовании. 2020. № 2 (68). С. 42–47. EDN: RPFFUS.
9. Liu J., Yu C., Li C., Han J. Cooperation or Conflict in Doctor-Patient Relationship? An Analysis From the Perspective of Evolutionary Game // IEEE Access. 2020. № 8. P. 42898–42908. DOI: 10.1109/ACCESS.2020.2977385.
10. Бабанская О.С. Метод математического моделирования в обучении учащихся решению прикладных задач в средней школе // Universum: психология и образование. 2019. № 12 (66). URL: https://7universum.com/ru/psy/archive/item/8410 (дата обращения: 05.06.2025).
11. Сысоев Д.В. Методы анализа канонических корреляционных плеяд в отношениях конфликта в социальных группах // Информационные технологии в строительных, социальных и экономических системах. 2020. № 4. С. 9–14. EDN: SAXSLI.
12. Burkov V.N., Enaleev A.K., Korgin N.A. Incentive Compatibility and StrategyProofness of Mechanisms of Organizational Behavior Control: Retrospective, State of the Art, and Prospects of Theoretical Research // Automation and Remote Control. 2021. № 82 (7). С. 1119–1143. DOI: 10.1134/S0005117921070018.
13. Баркалов С.А., Курочка П.Н., Маилян Л.Д., Серебрякова Е.А. Оптимизационные модели – инструмент системного моделирования. М.: ООО «Кредо», 2023. 522 с. EDN: AVOTIM. ISBN 978-5-91375-158-4.
14. Evsutin O., Shelupanov A., Mescheryakov R., Bondarenko D., Raschupkina A. The Algorithm of Continuous Optimization Based on the Modified Cellular Automaton // Symmetry. 2016. Vol. 8, Is. 9. P. 184–199. URL: https://www.researchgate. net/ublication/306929607_The_Algorithm_of_Continuous_ Optimization_Based_on_the_Modified_Cellular_Automaton (дата обращения: 25.06.2025). DOI: 10.3390/sym8090084.
15. Евсютин О.О. Непрерывная оптимизация с помощью гибридной модели клеточных автоматов и обучаемых автоматов // Доклады ТУСУР. 2019. Т. 22. № 1. С. 50–54. DOI: 10.21293/1818-0442-2019-22-1-50-54.