Гірянський Богдан Петрович

У серпні 2026 року захистив у КПІ ім. Ігоря Сікорського PhD з комп’ютерних наук. Дисертація про еволюційні алгоритми для нейронних мереж: чотири методи, які проріджують і стискають мережі, оптимізують гіперпараметри та зливають моделі. Автор 5 наукових публікацій, зокрема статті в журналі, який індексує Scopus. З вересня 2025 до червня 2026 року працював молодшим фахівцем з розроблення програм. Викладав дисципліну з проєктування алгоритмів. Мета — застосувати цей фундамент у прикладних, продуктових ML-задачах.

Дисертація на здобуття ступеня доктора філософії зі спеціальності 122 «Комп’ютерні науки»: «Оптимізація параметрів та структури нейронних мереж із застосуванням еволюційних алгоритмів». Захистив 28.08.2026 у разовій спеціалізованій вченій раді ДФ 26.002.419 КПІ ім. Ігоря Сікорського, рада проголосувала «за» одноголосно.

Код і результати експериментів

1 стаття в журналі з бази Scopus, 3 статті у фахових виданнях України, 1 теза конференції.

1. «Ефективність еволюційних алгоритмів у задачах оптимізації нейронних мереж»

   Порівняв еволюційні (CMA-ES), градієнтні та байєсівські методи у трьох класах задач: безумовна мінімізація, структурне проріджування, оптимізація гіперпараметрів. Комбінація CMA-ES + SynFlow з енергетичною компенсацією дала найкращу якість за екстремального проріджування (98 %, F1 = 0,81). Чесно показав межі: ваги краще навчає Adam, а за помірної розрідженості перемагає magnitude pruning.

   Hirianskyi, B., & Bulakh, B. (2026). Effectiveness of evolutionary algorithms in neural network optimization tasks: Unconditional minimization, pruning, and hyperparameter optimization. Системи управління, навігації та зв’язку, 1(83), 45–50. https://doi.org/10.26906/sunz.2026.1.045

2. «Створення нейронних мереж шляхом нейроеволюції та автоматизованого навчання»

   Реалізував з нуля два нейроеволюційні алгоритми, меметичний і гібридний, які автоматично визначають архітектуру та ваги мережі. На нелінійних задачах бінарної класифікації (XOR, Moons, Breast Cancer) вони переважили перцептрон із фіксованою архітектурою. Python, NumPy, scikit-learn.

   Гірянський, Б. П., & Булах, Б. В. (2025). Створення нейронних мереж шляхом нейроеволюції та автоматизованого навчання з використанням еволюційних алгоритмів. Наука і техніка сьогодні, 8(49), 1214–1227. https://doi.org/10.52058/2786-6025-2025-8(49)-1214-1227

3. «Використання еволюційних алгоритмів для навчання та оптимізації нейронних мереж»

   Застосував генетичні алгоритми (DEAP, sklearn-genetic), щоб оптимізувати архітектуру, гіперпараметри й ваги перцептрона на наборі Wine Quality. Чесно показав, що еволюційний підхід у середньому не перевершив базову модель за якістю, а обчислень потребував значно більше.

   Hirianskyi, B., & Bulakh, B. (2024). Using evolutionary algorithms for training and optimizing neural networks. Наука і техніка сьогодні, 8(36), 808–823. https://doi.org/10.52058/2786-6025-2024-8(36)-808-823

4. «Огляд: еволюційні алгоритми для синтезу та навчання нейронних мереж» (Scopus)

   Систематизував, як генетичні алгоритми застосовують до нейронних мереж: відбір ознак, оптимізація ваг, зміна структури зв’язків, налаштування оптимізаторів.

   Hirianskyi, B., & Bulakh, B. (2023). A review of practice of using evolutionary algorithms for neural network synthesis and training. Technology Audit and Production Reserves, 4(2(72)), 22–26. https://doi.org/10.15587/2706-5448.2023.286278

5. Теза доповіді на міжнародній конференції (Афіни, Греція, 24–26 грудня 2025 р.)

   Гірянський, Б. П. (2025). Використання еволюційних алгоритмів для синтезу та навчання нейронних мереж: огляд сучасного стану та перспективи розвитку. Science and Information Technologies in the Modern World, 165–168. https://doi.org/10.70286/isu-24.12.2025.006

Застосунки зібрано разом з агентом Claude Code.

КПІ ім. Ігоря Сікорського · Інститут прикладного системного аналізу (ІПСА) · кафедра системного проєктування

• Українська — рідна
• Англійська — B2