Нейросеть, которая учится играть прямо в консоли! 🐦👉🤖

Правда ли, что ИИ может сам научиться играть в культовую аркаду?
И правда ли, что для этого не нужны ни TensorFlow, ни PyTorch — только чистая Julia?

Мы решили проверить это на самой беспощадной игре детства — Flappy Bird.

Мы перенесли знаменитую игру на чистый Julia и обучили две разные сети: простую полносвязную и свёрточную (CNN). Всё это — чтобы на практике показать, как можно учить алгоритмы принимать решения. Никаких фреймворков, никакой графики: только код, эволюция и псевдографика прямо в терминале.

🔍 Почему этот пример хорошо подходит для обучения:

🔹Эволюционный подход вместо backprop-а: сеть развивается через пробу, ошибку и «естественный отбор» лучших экземпляров.
🔹Две архитектуры для сравнения: видно, как по-разному CNN и полносвязная сеть «видят» одну и ту же игру.
🔹Прозрачность процессов: каждый шаг обучения открыт: от получения состояния игры до выбора действия.

Минимум «магии»: только базовые структуры данных и простая математика.

Всего через 14 поколений «птица» стабильно набирала 58 очков — и могла бы и больше. В проекте мы показали, какая архитектура справилась лучше и почему иногда простая сеть выигрывает у более сложной CNN.

🔥 Заглядывайте под капот AI: Читать и скачать 🔗

Не пропусти последний вебинар 2025 года:
🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee

Оптимизация потоков в сетях массового обслуживания

Друзья, сегодня расскажем об интересном практическом проекте в Engee.

🔧 Задачи распределения нагрузки в сетях — привычная инженерная рутина для телекома, логистики, энергетики и любых распределенных систем. В проекте рассматривается задача оптимизации распределения нескольких независимых потоков в сети, представленной ориентированным графом. Каждая линия графа имеет ограниченную пропускную способность, а каждый поток может использовать один или несколько допустимых маршрутов. Требуется построить конфигурацию распределения, минимизирующую суммарную загрузку узлов и каналов.

Для оптимизации используется мощный алгоритм Ipopt с настраиваемыми параметрами:

model = Model(Ipopt.Optimizer)
set_optimizer_attribute(model, "max_iter", 2^18)
set_optimizer_attribute(model, "constr_viol_tol", 2.0^-32)
set_optimizer_attribute(model, "tol", 2.0^-32)
@variable(model, x[1:nVars])

1️⃣ Постановка задачи

Сеть задается матрицей смежности, где веса соответствуют пропускной способности линии связи. Потоки описываются матрицей смежности, где для каждого потока задана интенсивность λᵢ.

Каждый канал моделируется как система массового обслуживания типа M/M/1:

🟡входящий поток — пуассоновский;
🟡время обслуживания — экспоненциальное;
🟡интенсивность обслуживания — μ.

Целевая функция определяется как сумма загруженности всех линий связи, где каждая линия учитывается независимо.

2️⃣ Построение модели

1. Импорт матрицы структуры системы. Из неё строится граф, где дуги — потенциальные маршруты, а веса — доступные пропускные способности.
2. Определение всех допустимых маршрутов для каждого потока (поиск путей в графе) и набор возможных комбинаций распределения.
3. Формирование параметров M/M/1 для каждого канала: коэффициенты μ выбираются из таблицы структуры, λ — переменные оптимизации.

3️⃣ Нелинейная оптимизация

Оптимизатор автоматически подбирает комбинации значений, уменьшающие нагрузку наиболее загруженных каналов. На практике получаем перераспределение потоков на обходные ветви, локальное «разгрузочное» поведение, снижение суммарного ожидаемого времени обслуживания.

4️⃣ Ключевые наблюдения по результатам

🟢Один из потоков автоматически «уходит» через альтернативный маршрут, уменьшая коэффициент загрузки центрального канала почти на треть.
🟢По визуализации графа видно, что оптимизация активирует резервные пути, которые при ручной настройке зачастую игнорируются.
🟢Изменение интенсивности одного потока влияет на весь набор маршрутов — модель показывает чувствительность системы.

🔗 Подробный расчёт, код, графики и формулы — в публикации

Запустите задачу в Engee, и вы получите:
✔️оптимальные маршруты для каждого потока;
✔️коэффициенты загрузки каналов до и после оптимизации;
✔️графики зависимостей времени ответа M/M/1 от интенсивности;
✔️визуализацию сети с раскраской по загрузке каналов;
✔️рекомендации по укреплению узких мест (увеличение пропускной способности или снижение нагрузки).

Хороших вам выходных! 💼

🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee

⚡️ Моделирование в силовой электронике

В силовой электронике важно заранее понимать, как преобразователь влияет на сеть: коэффициент мощности, гармоники и поведение при рекуперации. В Engee мы разобрали проект моделирования активного выпрямителя AFE с анализом режимов потребления и возврата энергии в сеть.

AFE-выпрямитель — это активный сетевой преобразователь, который формирует практически синусоидальный ток, удерживает коэффициент мощности близким к 1, умеет возвращать энергию обратно в сеть при рекуперации.

Такие устройства применяются в промышленных приводах, транспорте и энергоёмких установках, где критичны гармонические искажения, реактивная мощность и стабильность напряжения в DC.

Нам была поставлена задача — проверить алгоритмы управления AFE в режимах потребления и рекуперации без физического стенда.

👉 Особенности модели

Разработали модель активного выпрямителя, состоящую из:
🔹трёхфазного сетевого источника;
🔹силовой части на управляемых ключах (IGBT);
🔹звена постоянного тока;
🔹нагрузки с возможностью генерации (имитация торможения);
🔹системы векторного управления в dq-осях.

Ключевой момент управления заключается в том, что проекция тока по оси q задается равной нулю, и, как следствие, формируется cosφ ≈ 1. Управление токами позволяет работать как в режиме потребления, так и рекуперации.

👉 Что сделано в Engee

1️⃣Загрузили и запустили модель через программный интерфейс Engee.

2️⃣Проверили работу в двух режимах:
- потребление энергии из сети;
- рекуперация (инверсия фаз тока и напряжения).

3️⃣Проанализировали осциллограммы токов и напряжений, спектр гармоник, устойчивость напряжения DC-звена.

👉 Результаты моделирования

Что показала симуляция:
✔️Коэффициент мощности близок к 1 в обоих режимах.
✔️THD тока — 5.8%, что существенно ниже, чем у неуправляемого выпрямителя.
✔️Напряжение 600 В в звене постоянного тока без просадок при смене режимов.
✔️В режиме рекуперации фазы тока и напряжения инвертированы — энергия возвращается в сеть.

👉 Практическая польза

Такая модель позволяет:
🟡проверять алгоритмы AFE до изготовления силовой части;
🟡оценивать гармоники и реактивную мощность без измерительного стенда;
🟡анализировать рекуперацию энергии в безопасной среде;
🟡отлаживать управление для транспорта и промышленных приводов.

🔗 Полная модель, код для анализа осциллограмм и спектров гармоник

Вы можете запустить модель и адаптировать её под свои параметры сети и нагрузки. Хороших выходных!

Предновогодний релиз 25.12 🎄✨

Конец года — это редкий момент, когда рабочая суета становится немного тише, а планы на следующий год уже начинают выстраиваться в голове. Пока все подводят итоги и закрывают последние задачи, мы выпускаем завершающее обновление Engee в этом году.

Ниже — ключевые изменения и новые возможности этого обновления.

Самое важное:
❄️Формальные методы для верификации КА;
❄️Новый способ авторизации для внешнего API;
❄️Блоки GOOSE-TX и GOOSE-quality;
❄️Новый раздел физической библиотеки – Теплообменники;
❄️Быстрый доступ к подсистемам специального типа;

А еще:
✔️Новые блоки и функции в библиотеках Базовая, ЦОС, Связь, Навигация, РЧ, Электричество, Гидравлика, Газ и Оборудование;
✔️Поддержка программного управления для физических блоков;
✔️Автоформатирование модели с помощью программного управления;
✔️Функции для получения подключенных блоков и портов;
✔️Новые статьи в Документации и новые Примеры;

Подробности — в разделе Что нового 25.12.

А дальше самое важное. В последние дни года не стоит пытаться успеть всё. Хорошие инженерные решения требуют спокойной головы, а не перегрева.
Пусть оставшиеся рабочие часы пройдут без авралов, а праздники — с чувством завершенного года и интересом к тому, что впереди. Мы уже готовим много нового, но об этом позже.

Пока еще на связи! 🧑‍🎄

🚀 Моделируем управляющую логику космического аппарата на основе конечных автоматов

Друзья, хотим поделиться с вами простой и наглядной моделью системы аварийного прерывания полёта.

Если при запуске космического аппарата происходит нештатная ситуация, в зависимости от набранной высоты он может:

1️⃣ Вернуться на место старта.
2️⃣ Осуществить посадку на аварийной площадке.
3️⃣ Приземлиться после одного витка вокруг Земли.
4️⃣ Выйти на стабильную орбиту.

Но как спроектировать алгоритм переключения между различными режимами и при этом не запутаться во всех возможных вариантах обработки отказов?

К счастью, в Engee уже есть надёжное и функциональное решение для разработки сложной управляющей логики - библиотека "Конечные автоматы"!

👉 На основе конечных автоматов мы разработали модель, позволяющую:

✔️ Проанализировать текущую высоту космического аппарата и признак наличия неисправности.
✔️ Выбрать корректный аварийный режим.
✔️ Осуществить операции прерывания полёта - сброс топлива, отделение боковых ускорителей и внешнего топливного бака.

👉 Данный проект демонстрирует, как легко использовать продвинутые возможности редактора конечных автоматов:

🔹 Иерархические и параллельные состояния.
🔹 Оператор проверки активности состояний in().
🔹 Суперпереходы.
🔹 Операторы темпоральной логики.

Для переключения между тестовыми сценариями мы использовали маску кодовой ячейки интерактивного скрипта и блок "Вариантный источник".

🔗 Ознакомиться с проектом вы можете в Сообществе Engee.

🎓 Если же у вас появилось желание досконально разобраться в разработке управляющей логики на основе конечных автоматов или систематизировать уже имеющиеся знания вместе с преподавателем, у нас есть хорошая новость!

Мы разработали тренинг "Моделирование конечных автоматов в Engee" и с удовольствием проведём его для вас. Можете перейти по ссылке и оставить заявку на обучение.

Желаем вам тёплых и уютных выходных. Новогоднее настроение уже близко! 💼

Друзья,

Этот год выдался замечательным. В оставшиеся часы перед праздником мы хотим поблагодарить вас за всё и поздравить, конечно же при помощи высоких технологий модельно-ориентированного проектирования!

Уже хотите открыть подарок?

Откройте в Сообществе нашу интерактивную открытку 🔗

🥂Она позволит вам в прямом смысле видеть, как наступает новый год в разных городах России

🎄Она и правда исполняет желания! Вы можете вернуть новый год, передвинув время, или посмотреть, на что будет похож мир через несколько часов

🎉И, самое важное: вы можете с ее помощью поздравить друзей, отправив им праздничный салют

А ещё мы рады напомнить: в наступающем году состоится Школа системного моделирования. Если вы давно хотели освоить модельно‑ориентированный подход, научиться создавать сложные системы и работать с платформой Engee — ждём вас!

С нетерпением будем отсчитывать бой курантов чтобы встретить будущее вместе с вами!

Счастливого вам нового года 💼

Ваша команда Engee

Мы запускаем Школу системного моделирования.

Друзья,

✨Новый год — удобный момент начать не с обещаний, а с практических знаний и навыков. Особенно если вы работаете с моделями сложных технических систем и видите, что требования растут, архитектуры усложняются, а цена ошибки становится выше.

В школе поговорим о вещах, которые редко формализуют в документации:
✔️как выбирать уровень детализации, чтобы модель оставалась устойчивой при изменении требований;
✔️где проходит граница между физической точностью и инженерной целесообразностью;
✔️как закладывать архитектуру модели, пригодную для повторного использования, масштабирования и HIL;
✔️какие приёмы в Engee действительно экономят время, а какие со временем приводят к техническому долгу.

Отдельный фокус на практической работе в моделировании: структура проектов, организация библиотек, взаимодействие моделей и кода, типовые ошибки и способы их избежать. Тем, кто работает в Simulink, многое будет знакомо: принципы системного моделирования во многом совпадают, и школа будет полезна независимо от используемой среды.

Мы будем разбирать системное моделирование на том уровне, на котором обычно общаются разработчики среды и инженеры, создающие реальные стенды и испытательные комплексы.

Если в новом году вам важно не просто строить модели, а понимать, как они должны жить, развиваться и выдерживать реальные инженерные нагрузки, — эта школа для вас.

🔗 Программа, детали, регистрация

⚡️ Автоматизация проектирования цифровых фильтров в Engee

В цифровой обработке сигналов критически важно быстро и без ошибок перейти от математического алгоритма к готовой реализации на ПЛИС. Engee позволяет автоматизировать процесс создания двух ключевых для систем связи фильтров: CIC-дециматора и формирующего фильтра Найквиста (RRC).

CIC-фильтр — это архитектура без умножений, идеальная для высокоскоростной децимации и интерполяции, а RRC-фильтр — основа современных систем связи, которая формирует импульсы, минимизируя межсимвольные искажения.

Такие фильтры применяются в системах связи, радиолокации и измерительной технике, где критичны быстродействие, точность и экономия аппаратных ресурсов.

Нам была поставлена задача — автоматически получить оптимизированные аппаратные реализации этих фильтров, полностью исключив ручное написание RTL-кода.

👉 Особенности реализации

Разработаны модели двух фильтров:
🔹CIC-дециматор 5-го порядка с блоком управления валидными сигналами;
🔹RRC-фильтр с коэффициентом сглаживания 0.2 в двух структурных формах: прямой и транспонированной.

Ключевой момент — вся цепочка от математических параметров до схемы строится через командное управление Engee, что исключает ошибки ручного кодирования.

👉 Что сделано в Engee

1️⃣ Расчёт коэффициентов фильтров и автоматическая сборка моделей.
2️⃣ Для RRC-фильтра так же построили и сравнили две реализации, подтвердив преимущество транспонированной формы для ПЛИС.
3️⃣ Сгенерировали готовый Verilog-код для обеих моделей с помощью встроенных инструментов кодогенерации.

Такая автоматизация позволяет:
🌟Сократить время разработки с недель до часов.
🌟Минимизировать риск ошибок при переходе на «железо».
🌟Быстро исследовать архитектуры без ручного кодирования.
🌟Легко адаптировать фильтры под новые параметры.

🔗 Полные проекты с моделями и кодом доступны в каталоге примеров Engee.
1️⃣CIC
2️⃣RRC

Вы можете загрузить модели и адаптировать их под свои задачи. Успешных проектов!

🎓 Школа моделирования с 18.02