Розробка методики пошуку рішень з використанням удосконаленого алгоритму мавп

Автор(и)

  • Андрій Володимирович Шишацький Національний авіаційний університет, Україна https://orcid.org/0000-0001-6731-6390
  • Олена Петрівна Нечипорук Національний авіаційний університет, Україна https://orcid.org/0000-0001-8203-7998
  • Ніна Георгіївна Кучук Національний технічний університет “Харківський політехнічний інститут”, Україна https://orcid.org/0000-0002-0784-1465
  • Іраіда Іванівна Становська Одеський національний університет «Одеська політехніка» , Україна https://orcid.org/0000-0002-5884-4228
  • Олексій Леонідович Налапко Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-3515-2026
  • Олег Вікторович Шкнай Науково-дослідний інститут Воєнної розвідки, Україна https://orcid.org/0000-0002-5572-4917
  • Надія Михайлівна Протас Полтавський державний аграрний університет, Україна https://orcid.org/0000-0003-0943-0587
  • Сергій Володимирович Шостак Національний університет біоресурсів і природокористування України, Україна https://orcid.org/0000-0003-1234-1024
  • Анжела Борисівна Біньковська Харківський національний автомобільно-дорожній університет, Україна https://orcid.org/0000-0001-9788-4321
  • Петро Ігорович Шаповал Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-8892-0228

DOI:

https://doi.org/10.15587/1729-4061.2023.287003

Ключові слова:

ройовий інтелект, системи підтримки прийняття рішень, ієрархічні системи, алгоритм мавп

Анотація

Об’єктом дослідження є системи підтримки прийняття рішень. Предметом дослідження є процес прийняття рішення в задачах управління за допомогою алгоритму мавп та штучних нейронних мереж, що еволюціонують.

Запропоновано методику пошуку рішень з використанням удосконаленого алгоритму мавп. В основу дослідження покладений алгоритм мавп – для пошуку рішення щодо стану об’єкту. Для навчання агентів мавп (АМ) – використовуються штучні нейронні мережі, що еволюціонують. Методика має наступну послідовність дій:

– введення вихідних даних;

– оброблення вихідних даних з урахуванням ступеню невизначеності;

– для кожного АМ генерується вектор пошуку з урахуванням ступеню невизначеності;

– визначення початкової швидкості руху АМ

– обчислення функція придатності рішення АМ;

– обчислення висоти руху АМ;

– перевірка виконання умов локального стрибка;

– генерація координат площини локального пошуку;

– обчислення функція придатності рішення АМ;

– генерація координат площини глобального пошуку;

– розподіл пошуку між зграєю АМ;

– зміна швидкості руху АМ;

– перевірка допустимого значення отриманого рішення щодо стану об’єкту;

– навчання баз знань АМ.

Оригінальність запропонованої методики полягає у розставленні АМ з урахуванням невизначеності вихідних даних, удосконаленими процедурами глобального та локального опушку з урахуванням ступеню зашумленості даних про стан об’єкту аналізу. Особливістю запропонованої методики полягає в використанні удосконаленої процедури навчання АМ. Процедура навчання полягає в тому, що відбувається навчання параметрів та архітектури окремих елементів і архітектури штучної нейронної мережі в цілому. Використання методики дозволяє досягти підвищення оперативності обробки даних на рівні 23–28 % за рахунок використання додаткових удосконалених процедур

Біографії авторів

Андрій Володимирович Шишацький, Національний авіаційний університет

Кандидат технічних наук, старший дослідник, доцент

Кафедра комп’ютеризованих систем управління

Олена Петрівна Нечипорук, Національний авіаційний університет

Доктор технічних наук, доцент

Кафедра комп’ютеризованих систем управління

Ніна Георгіївна Кучук, Національний технічний університет “Харківський політехнічний інститут”

Доктор технічних наук, професор

Кафедра комп’ютерна інженерія та програмування

Іраіда Іванівна Становська, Одеський національний університет «Одеська політехніка»

Доктор технічних наук, професор

Кафедра вищої математики та моделювання систем

Олексій Леонідович Налапко, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Доктор філософії, старший науковий співробітник

Науково-дослідна лабораторія автоматизації наукових досліджень

Олег Вікторович Шкнай, Науково-дослідний інститут Воєнної розвідки

Кандидат технічних наук, старший дослідник, провідний науковий співробітник

Науково-дослідний відділ

Надія Михайлівна Протас, Полтавський державний аграрний університет

Кандидат сільськогосподарських наук, доцент

Кафедра інформаційних систем і технологій

Сергій Володимирович Шостак, Національний університет біоресурсів і природокористування України

Кандидат фізико-математичних наук, доцент

Кафедра вищої та прикладної математики

Анжела Борисівна Біньковська, Харківський національний автомобільно-дорожній університет

Кандидат технічних наук, доцент, заступник завідуючого кафедри з учбової роботи

Кафедра автоматизації та комп’ютерно-інтегрованих технологій

Петро Ігорович Шаповал, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Кандидат технічних наук, начальник

Науково-дослідна лабораторія

Посилання

  1. Bashkyrov, O. M., Kostyna, O. M., Shyshatskyi, A. V. (2015). Rozvytok intehrovanykh system zviazku ta peredachi danykh dlia potreb Zbroinykh Syl. Ozbroiennia ta viyskova tekhnika, 1, 35–39. Available at: http://nbuv.gov.ua/UJRN/ovt_2015_1_7
  2. Dudnyk, V., Sinenko, Y., Matsyk, M., Demchenko, Y., Zhyvotovskyi, R., Repilo, I. et al. (2020). Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3 (2 (105)), 37–47. doi: https://doi.org/10.15587/1729-4061.2020.203301
  3. Sova, O., Shyshatskyi, A., Salnikova, O., Zhuk, O., Trotsko, O., Hrokholskyi, Y. (2021). Development of a method for assessment and forecasting of the radio electronic environment. EUREKA: Physics and Engineering, 4, 30–40. doi: https://doi.org/10.21303/2461-4262.2021.001940
  4. Pievtsov, H., Turinskyi, O., Zhyvotovskyi, R., Sova, O., Zvieriev, O., Lanetskii, B., Shyshatskyi, A. (2020). Development of an advanced method of finding solutions for neuro-fuzzy expert systems of analysis of the radioelectronic situation. EUREKA: Physics and Engineering, 4, 78–89. doi: https://doi.org/10.21303/2461-4262.2020.001353
  5. Zuiev, P., Zhyvotovskyi, R., Zvieriev, O., Hatsenko, S., Kuprii, V., Nakonechnyi, O. et al. (2020). Development of complex methodology of processing heterogeneous data in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 4 (9 (106)), 14–23. doi: https://doi.org/10.15587/1729-4061.2020.208554
  6. Shyshatskyi, A. (2020). Complex Methods of Processing Different Data in Intellectual Systems for Decision Support System. International Journal of Advanced Trends in Computer Science and Engineering, 9 (4), 5583–5590. doi: https://doi.org/10.30534/ijatcse/2020/206942020
  7. Yeromina, N., Kurban, V., Mykus, S., Peredrii, O., Voloshchenko, O., Kosenko, V. et al. (2021). The Creation of the Database for Mobile Robots Navigation under the Conditions of Flexible Change of Flight Assignment. International Journal of Emerging Technology and Advanced Engineering, 11 (5), 37–44. doi: https://doi.org/10.46338/ijetae0521_05
  8. Rotshteyn, A. P. (1999). Intellektual'nye tekhnologii identifikatsii: nechetkie mnozhestva, geneticheskie algoritmy, neyronnye seti. Vinnitsa: “UNIVERSUM”, 320.
  9. Alpeeva, E. A., Volkova, I. I. (2019). The use of fuzzy cognitive maps in the development of an experimental model of automation of production accounting of material flows. Russian Journal of Industrial Economics, 12 (1), 97–106. doi: https://doi.org/10.17073/2072-1633-2019-1-97-106
  10. Zagranovskaya, A. V., Eissner, Y. N. (2017). Simulation scenarios of the economic situation based on fuzzy cognitive maps. Modern economics: problems and solutions, 10, 33‒47. doi: https://doi.org/10.17308/meps.2017.10/1754
  11. Simankov, V. S., Putyato, M. M. (2013). Issledovanie metodov kognitivnogo analiza. Sistemnyy analiz, upravlenie i obrabotka informatsii, 13, 31‒35.
  12. Ko, Y.-C., Fujita, H. (2019). An evidential analytics for buried information in big data samples: Case study of semiconductor manufacturing. Information Sciences, 486, 190–203. doi: https://doi.org/10.1016/j.ins.2019.01.079
  13. Ramaji, I. J., Memari, A. M. (2018). Interpretation of structural analytical models from the coordination view in building information models. Automation in Construction, 90, 117–133. doi: https://doi.org/10.1016/j.autcon.2018.02.025
  14. Pérez-González, C. J., Colebrook, M., Roda-García, J. L., Rosa-Remedios, C. B. (2019). Developing a data analytics platform to support decision making in emergency and security management. Expert Systems with Applications, 120, 167–184. doi: https://doi.org/10.1016/j.eswa.2018.11.023
  15. Chen, H. (2018). Evaluation of Personalized Service Level for Library Information Management Based on Fuzzy Analytic Hierarchy Process. Procedia Computer Science, 131, 952–958. doi: https://doi.org/10.1016/j.procs.2018.04.233
  16. Chan, H. K., Sun, X., Chung, S.-H. (2019). When should fuzzy analytic hierarchy process be used instead of analytic hierarchy process? Decision Support Systems, 125, 113114. doi: https://doi.org/10.1016/j.dss.2019.113114
  17. Osman, A. M. S. (2019). A novel big data analytics framework for smart cities. Future Generation Computer Systems, 91, 620–633. doi: https://doi.org/10.1016/j.future.2018.06.046
  18. Gödri, I., Kardos, C., Pfeiffer, A., Váncza, J. (2019). Data analytics-based decision support workflow for high-mix low-volume production systems. CIRP Annals, 68 (1), 471–474. doi: https://doi.org/10.1016/j.cirp.2019.04.001
  19. Harding, J. L. (2013). Data quality in the integration and analysis of data from multiple sources: some research challenges. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-2/W1, 59–63. doi: https://doi.org/10.5194/isprsarchives-xl-2-w1-59-2013
  20. Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24 (1), 65–75. doi: https://doi.org/10.1016/s0020-7373(86)80040-2
  21. Gorelova, G. V. (2013). Kognitivniy podkhod k imitatsionnomu modelirovaniyu slozhnykh sistem. Izvestiya YuFU. Tekhnicheskie nauki, 3, 239–250.
  22. Koval, M., Sova, O., Shyshatskyi, A., Artabaiev, Y., Garashchuk, N., Yivzhenko, Y. et al. (2022). Improving the method for increasing the efficiency of decision-making based on bio-inspired algorithms. Eastern-European Journal of Enterprise Technologies, 6 (4 (120)), 6–13. doi: https://doi.org/10.15587/1729-4061.2022.268621
  23. Yi, T.-H., Li, H.-N., Song, G., Zhang, X.-D. (2014). Optimal sensor placement for health monitoring of high-rise structure using adaptive monkey algorithm. Structural Control and Health Monitoring, 22 (4), 667–681. doi: https://doi.org/10.1002/stc.1708
  24. Koshlan, A., Salnikova, O., Chekhovska, M., Zhyvotovskyi, R., Prokopenko, Y., Hurskyi, T. et al. (2019). Development of an algorithm for complex processing of geospatial data in the special-purpose geoinformation system in conditions of diversity and uncertainty of data. Eastern-European Journal of Enterprise Technologies, 5 (9 (101)), 35–45. doi: https://doi.org/10.15587/1729-4061.2019.180197
  25. Mahdi, Q. A., Shyshatskyi, A., Prokopenko, Y., Ivakhnenko, T., Kupriyenko, D., Golian, V. et al. (2021). Development of estimation and forecasting method in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3 (9 (111)), 51–62. doi: https://doi.org/10.15587/1729-4061.2021.232718
  26. Emel'yanov, V. V., Kureychik, V. V., Kureychik, V. M., Emel'yanov, V. V. (2003). Teoriya i praktika evolyutsionnogo modelirovaniya. Moscow: Fizmatlit, 432.
  27. Gorokhovatsky, V., Stiahlyk, N., Tsarevska, V. (2021). Combination method of accelerated metric data search in image classification problems. Advanced Information Systems, 5 (3), 5–12. doi: https://doi.org/10.20998/2522-9052.2021.3.01
  28. Levashenko, V., Liashenko, O., Kuchuk, H. (2020). Building Decision Support Systems based on Fuzzy Data. Advanced Information Systems, 4 (4), 48–56. doi: https://doi.org/10.20998/2522-9052.2020.4.07
  29. Meleshko, Y., Drieiev, O., Drieieva, H. (2020). Method of identification bot profiles based on neural networks in recommendation systems. Advanced Information Systems, 4 (2), 24–28. doi: https://doi.org/10.20998/2522-9052.2020.2.05
  30. Kuchuk, N., Merlak, V., Skorodelov, V. (2020). A method of reducing access time to poorly structured data. Advanced Information Systems, 4 (1), 97–102. doi: https://doi.org/10.20998/2522-9052.2020.1.14
  31. Shyshatskyi, A., Tiurnikov, M., Suhak, S., Bondar, O., Melnyk, A., Bokhno, T., Lyashenko, A. (2020). Method of assessment of the efficiency of the communication of operational troop grouping system. Advanced Information Systems, 4 (1), 107–112. doi: https://doi.org/10.20998/2522-9052.2020.1.16
  32. Raskin, L., Sira, O. (2016). Method of solving fuzzy problems of mathematical programming. Eastern-European Journal of Enterprise Technologies, 5 (4 (83)), 23–28. doi: https://doi.org/10.15587/1729-4061.2016.81292
  33. Lytvyn, V., Vysotska, V., Pukach, P., Brodyak, O., Ugryn, D. (2017). Development of a method for determining the keywords in the slavic language texts based on the technology of web mining. Eastern-European Journal of Enterprise Technologies, 2 (2 (86)), 14–23. doi: https://doi.org/10.15587/1729-4061.2017.98750
  34. Stepanenko, A., Oliinyk, A., Deineha, L., Zaiko, T. (2018). Development of the method for decomposition of superpositions of unknown pulsed signals using the second­order adaptive spectral analysis. Eastern-European Journal of Enterprise Technologies, 2 (9 (92)), 48–54. doi: https://doi.org/10.15587/1729-4061.2018.126578
  35. Gorbenko, I., Ponomar, V. (2017). Examining a possibility to use and the benefits of post-quantum algorithms dependent on the conditions of their application. Eastern-European Journal of Enterprise Technologies, 2 (9 (86)), 21–32. doi: https://doi.org/10.15587/1729-4061.2017.96321
  36. Koval, M., Sova, O., Orlov, O., Shyshatskyi, A., Artabaiev, Y., Shknai, O. et al. (2022). Improvement of complex resource management of special-purpose communication systems. Eastern-European Journal of Enterprise Technologies, 5 (9 (119)), 34–44. doi: https://doi.org/10.15587/1729-4061.2022.266009
Розробка методики пошуку рішень з використанням удосконаленого алгоритму мавп

##submission.downloads##

Опубліковано

2023-10-31

Як цитувати

Шишацький, А. В., Нечипорук, О. П., Кучук, Н. Г., Становська, І. І., Налапко, О. Л., Шкнай, О. В., Протас, Н. М., Шостак, С. В., Біньковська, А. Б., & Шаповал, П. І. (2023). Розробка методики пошуку рішень з використанням удосконаленого алгоритму мавп. Eastern-European Journal of Enterprise Technologies, 5(4 (125), 17–24. https://doi.org/10.15587/1729-4061.2023.287003

Номер

Розділ

Математика та кібернетика - прикладні аспекти