В процессе проектирования (наладке, оптимизации) как правило используют упрощенные модели объектов. Подробные и точные модели (полномасштабные) недоступны, из-за значительных затрат для их разработки либо, в случае компьютерных моделей, больших вычислительных ресурсов.
Пример 1. Настройка регулятора давления в паропроводе перед турбиной. Простейшая модель в виде дифференциальных уравнений описывающих изменение параметров в объеме паропровода не точна, т.к. необходимо учесть изменение граничных условий на входе и выходе, а это уже более сложная нелинейная модель включающая парогенератор и турбину. Параметры регулятора не будут оптимальными.
Пример 2. Расчеты активной зоны ядерного реактора. Необходимо найти компоновку, удовлетворяющую ряду граничных и рамочных параметров: эффективности аварийной защиты, эффективности отдельного органа регулирования, эффективности рабочей группы регулирования, максимальной мощности кассеты и твэла, отсутствие кризиса теплообмена в процессе отключения ГЦН, температура повторной критичности и др. Все расчеты требуют больших вычислительных затрат. В условиях ограниченного времени оптимальное решение может быть не найдено.
Пример 3. Конструирование самолета (автомобиля). Аэродинамика проверяется на маленьких моделях продувкой в аэродинамической трубе. Затраты велики.
С появлением универсальных аппроксиматоров – нейронных сетей стало возможным построение быстрых и компактных моделей. Цикл применения: обучение сети на доступных данных – поиск оптимального варианта на упрощенной модели - проверка его на полномасштабной (расчеты по точной модели) – новые данные для обучения - .. в начало, пока не найден лучший вариант.
Предлагается в качестве примера, связанного с атомной энергетикой, найти оптимальную компоновку активной зоны используя готовую нейронную сеть (получена в ходе решения задачи на Олимпиаде Я-Профессионал) в качестве быстрой модели. Предлагается выполнить один из этапов цикла проектирования. Задача легко формализуема. Благодаря очень малому времени счета, на этой задаче возможно тестирование различных алгоритмов оптимизации. Недостаток большинства алгоритмов – попадание в локальный оптимум. Желательно это учесть.