10.14489/vkit.2026.02.pp.035-045

DOI: 10.14489/vkit.2026.02.pp.035-045

Иващук О. А., Ольшанский А. М.
ПРИМЕНЕНИЕ КОНТРОЛИРУЕМЫХ АЛГОРИТМОВ ДЛЯ АВТОМАТИЗАЦИИ ПОСТРОЕНИЯ РАСПИСАНИЙ
(c. 35-45)

Аннотация. Предложен новый подход к работе искусственных нейронных сетей (ИНС) при построении расписаний движения поездов, заключающийся в применении контролируемых ИНС. Описаны основные элементы данного решения, представлены режимы работы. Одно из направлений совершенствования работы ИНС – применение современных подходов теории автоматического управления к эволюции сигналов ошибки рассматриваемых ИНС. В процессе получения решений искусственные нейронные сети с системами управления могут следовать по небезопасной для пользователя или избыточной по затратам времени получения решения траектории. Во избежание такого нерационального поведения предложено встраивать ИНС с управлением в контур контроля поведения с образованием контролируемых ИНС. Приведены основные ограничения предложенных контролируемых ИНС. Показано, что, несмотря на определенные преимущества, контролируемые ИНС не являются устойчивыми по Ляпунову, а также несколько увеличивают время получения решения, выигрывая при этом в уровне безопасности управляемой ими системы.

Ключевые слова: железнодорожный транспорт; автоматизация; искусственные нейронные сети; ошибка; контролируемые алгоритмы; транспортная безопасность.

Ivaschuk O. A., Olshansky A. M.
CONTROL-EMBEDDED ALGORITHMS FOR AUTOMATION OF RAILWAY SCHEDULING
(pp. 35-45)

Abstract. In modern conditions, as part of the introduction of automation in the process of train movement and the development of decision-making methods in the field of movement of rolling stock, artificial neural networks (ANN) are becoming increasingly widespread. In the process of functioning of ANN, solving an applied operational task (pattern recognition during train movement, calculation of the schedule in the regulatory and operational mode, calculation of the optimal plan for the formation of freight trains, etc.), the features of the topology of ANN, built-in algorithms of training ANN determine the shape and behavior of the error signal. Since each error signal value corresponds to a certain internal state of the neural network and an intermediate result of its operation, there is a non-zero probability that the resulting solutions may be unsafe and irrational. The article proposes an approach aimed at eliminating dangerous or undesirable behavior of the controlled object by embedding it in a control loop. This approach is referred to as a controlled neural network. The article also presents a structural diagram for building a controlled and managed neural network to automate the calculation of train formation plans and schedules. The article discusses the advantages and disadvantages of the proposed approach and analyzes the system features of controlled neural networks in various practical situations. The approach under consideration lays the foundation for the formation of a new class of intelligent algorithms that are not only self-learning, but also capable of effectively adjusting their own development trajectory at an early stage, taking into account formally defined constraints.

Keywords: Railway transport; Automation; Artificial neural networks; Error; Control-embedded algorithms; Transport safety.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

О. А. Иващук (Белгородский государственный университет (национальный исследовательский университет), Белгород, Россия)
А. М. Ольшанский (Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

O. A. Ivaschuk (Belgorod State National Research University, Belgorod, Russia)
A. M. Olshansky (Research and Design Institute for Information Technology, Signalling and Telecommunications in Railway Transportation, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. An energy and GPU-computation efficient backbone network for real-time object detection / Y. Lee, J. Hwang, S. Lee et al. // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. 27 October–02 November 2019. P. 1–11.
2. Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления: учеб. пособие для вузов. М.: Высш. шк., 2002. 183 с.
3. Куртукова А. В., Романов А. С. Математические модели нейронных сетей для установления авторства программного кода // Электронные средства и системы управления: материалы XV Международной научно-практической конференции. 20–22 но¬ября 2019 г. Томск, Россия. Томск: ТУСУР, 2019. С. 205–209.
4. Ким Д. П. Теория автоматического управления. Т. 2. Многомерные, нелинейные, оптимальные и адаптивные системы. М.: Физматлит, 2004. 464 с.
5. Ignatenkov A., Olshansky A. Extent of error control in neural networks // arXiv preprint arXiv:1608.04682. 2016.
6. Общие подходы к доказательству безопасности автономных систем / Е. Н. Розенберг, П. А. Попов, Д. В. Талалаев и др. // Автоматика. Связь. Информатика. 2022. № 1. С. 2–9.
7. Садовников П. Методы оптимизации нейронных сетей. Habr.com : сайт. 2017 [Электронный ресурс]. Часть 4. URL: https://habr.com/ru/articles/318970/ (дата обращения: 22.01.2026).
8. Ольшанский А. М. Об одном варианте применения ИНС для управления интеллектуальными транспортными системами // Интеллектуальные транспортные системы: Материалы II Международной научно-практической конференции. 25 мая 2023 г. Москва, Россия. М.: РУТ МИИТ, 2023. С. 304–310.
9. Ольшанский А. М., Игнатенков А. В. Разработка искусственной нейронной сети для построения графика движения поездов // Вестник Рязанского государственного радиотехнического университета. 2016. № 55. С. 73–80.

Eng

1. Lee, Y., Hwang, J., Lee, S., Hwang, Y., & Park, J. (2019). An energy and GPU-computation efficient backbone network for real-time object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (pp. 1–11). https://openaccess.thecvf.com/content_CVPRW_2019/html/c4i/Lee_An_Energy_and_GPU-Computation_Efficient_Backbone_Network_for_Real-Time_Object_CVPRW_2019_paper.html
2. Terekhov, V. A., Efimov, D. V., & Tyukin, I. Yu. (2002). Neural network control systems: Textbook for universities. Vysshaya Shkola. [in Russian language].
3. Kurtukova, A. V., & Romanov, A. S. (2019). Mathematical models of neural networks for software code authorship attribution. In Elektronnye sredstva i sistemy upravleniya: Materialy XV Mezhdunarodnoi Nauchno-Prakticheskoi Konferentsii (pp. 205–209). TUSUR. [in Russian language].
4. Kim, D. P. (2004). Automatic control theory: Vol. 2. Multidimensional, nonlinear, optimal and adaptive systems. Fizmatlit. [in Russian language].
5. Ignatenkov, A., & Olshansky, A. (2016). Extent of error control in neural networks [Preprint]. arXiv. https://arxiv.org/abs/1608.04682
6. Rosenberg, E. N., Popov, P. A., Talalaev, D. V., et al. (2022). General approaches to proving the safety of autonomous systems. Avtomatika. Svyaz'. Informatika, (1), 2–9. [in Russian language].
7. Sadovnikov, P. (2017). Methods for optimizing neural networks. Part 4 [in Russian language]. Habr.com. Retrieved January 22, 2026, from https://habr.com/ru/articles/318970/
8. Olshansky, A. M. (2023). On one variant of using artificial neural networks for intelligent transportation systems control. In Intellektual'nye transportnye sistemy: Materialy II Mezhdunarodnoi Nauchno-Prakticheskoi Konferentsii (pp. 304–310). RUT MIIT. [in Russian language].
9. Olshansky, A. M., & Ignatenkov, A. V. (2016). Development of an artificial neural network for train schedule construction. Vestnik Ryazanskogo Gosudarstvennogo Radiotekhnicheskogo Universiteta, (55), 73–80. [in Russian language].

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2026.02.pp.035-045

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2026.02.pp.035-045

and fill out the form