Для розв'язання оптимізаційних задач запропоновано гібридний алгоритм, що об'єднує стандартні генетичні алгоритми та градієнтні методи. Зазначено, що особливість алгоритму в тому, що робота градієнтних і генетичних методів ведеться паралельно. Це дозволяє знаходити глобальний оптимум з високою точністю. Метод протестовано на яружних, багатоекстремальних функціях великої розмірності без завдання початкового наближення. Показано ефективну роботу алгоритму в процедурі навчання багатошарового персептрона.

Рассмотрены задачи литологического расчленения разрезов и определения продуктивных коллекторов с помощью методов нечеткой логики, многомерного шкалирования и нейронных сетей при комплексной обработке данных геофизических исследований скважин. Предложенные методы позволяют однозначно выделять нефтяные пласты.

Исследованы эффективные процедуры отбора переменных в бинарные классифицирующие модели на основе логистической регрессии. Для этого используется генетический алгоритм, причем в функцию фитнеса особи параметр штрафа за включение в модель новых переменных изменяется в зависимости от рассчитанного значения площади под ROC-кривой. Проведены эксперименты на модельных наборах данных и в задаче кредитного скоринга.

Рассмотрена проблема построения эффективных бинарных классификаторов в условиях, когда классы сильно несбалансированы. Показана их связь с издержками классификации, рассмотрены стратегии борьбы с несбалансированностью и проведены эксперименты на кредитных историях российских банков.