Найти

Результаты поиска

• ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ПАРАМЕТРИЧЕСКОГО ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ТРАЕКТОРИИ ДВИЖЕНИЯ БАС

  В.И. Данильченко , В.В. Бова

  263-276

  2025-12-30

  Аннотация ▼

  Рассматривается задача интеллектуального параметрического прогнозирования и оптимизации траектории движения беспилотной авиационной системы (БАС) с применением эволюционных алгоритмов и методов машинного обучения. Актуальность исследования обусловлена многокритериальностью и высокой сложностью процессов формирования траектории движения БАС, а также необходимостью точной и своевременной оценки её полётных параметров. Это особенно важно для обеспечения надёжности, безопасности и эффективного выполнения полётных задач в условиях эксплуатации БАС, включая сценарии, связанные с функционированием критически значимых объектов инфраструктуры. Цель исследования заключается в повышении точности диагностики траекторных параметров и надёжности параметрического прогнозирования траекторий движения БАС в условиях неопределённости и многокритериальности рассматриваемой задачи. В работе предлагается гибридный подход, включающий генетический алгоритм (ГA), алгоритм роя частиц (PSO) с моделью машинного обучения XGBoost, обеспечивающей адаптивную оценку качества формируемых решений. Реализован вычислительный программный комплекс, включающий механизмы селекции, рекомбинации, мутации и элитного наследования, а также модуль машинного обучения для валидации траектории маршрута и связанных параметров. Проведён вычислительный эксперимент, в рамках которого выполнен сравнительный анализ эффективности GA и PSO при различных сценариях их работы. Тестирование выполнялось на отраслевых наборах данных при различном количестве итераций. В ходе вычислительного эксперимента выявлено преимущество генетического алгоритма, а именно повышение качества проектных решений на 14–17%. Результаты исследования демонстрируют высокую адаптивность и практическую применимость в задачах моделирования, параметрического прогнозирования и маршрутизации, а также указывают на потенциал интеграции с интеллектуальными системами навигации и мониторинга БАС. Материалы статьи представляют практический интерес для специалистов в области разработки и эксплуатации БАС, а также для исследователей, занимающихся задачами многокритериального планирования маршрутов, параметрического прогнозирования и повышения надёжности функционирования БАС.

• ИНТЕЛЛЕКТУАЛЬНАЯ ПОДСИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ БИОЛОГИЧЕСКИ ПРАВДОПОДОБНЫХ АЛГОРИТМОВ САМООРГАНИЗАЦИИ

  Э. В. Кулиев , М.П. Кривенко , М.М. Семенова , С.В. Игнатьева

  2021-11-14

  Аннотация ▼

  Рассматриваются основные понятия и определения систем поддержки принятия реше-
  ний на основе самоорганизации. Системы поддержки принятия решений (Decision Support
  Systems) относятся к кругу интерактивных компьютерных систем, которые помогают ис-
  пользовать данные, модели и знания для решения частично структурированных, неструктури-
  рованных или неструктурированных проблем. Показана и описана схема базовой структуры
  системы поддержки принятий решений. Рассмотрены три основных компонента Decision
  Support Systems, а также описан случай, когда может быть применен четвертый компонент
  системы поддержки принятия решений – система управления, основанная на знаниях. В ста-
  тье предложено описание интеллектуальной системы поддержки принятия решений. Примеры
  специализированных интеллектуальных систем поддержки принятия решений включают в себя
  интеллектуальные системы поддержки принятия маркетинговых решений и системы меди-
  цинской диагностики, гибкие производственные системы. Проблемы, связанные с принятием
  оптимальных решений, занимают важное место в автоматизированном проектировании и
  требуют совершенствования методов и средств поддержки процессов оптимального проек-
  тирования на различных этапах. Рассмотрены алгоритмы самоорганизации, вдохновленные
  живой природой. Биоинспирированные алгоритмы являются представительским классом алго-
  ритмов самоорганизации. Биовдохновленные вычисления имитируют природу и используют
  основные концепции и поведение этих систем для решения сложных проблем. В статье описан
  алгоритм летучих мышей. Проведен экспериментальный анализ процесса применения алгорит-
  ма самоорганизации в системах принятия решений.

• ГИБРИДНЫЙ БИОИНСПИРИРОВАННЫЙ АЛГОРИТМ ОТОБРАЖЕНИЯ ОНТОЛОГИЙ В ЗАДАЧАХ ИЗВЛЕЧЕНИЯ И УПРАВЛЕНИЯ ЗНАНИЯМИ

  Д. Ю. Кравченко, Ю. А. Кравченко, В. В. Марков

  2020-07-20

  Аннотация ▼

  Статья посвящена решению задачи отображения онтологических моделей в процес-
  сах извлечения и управления знаниями. Актуальность и значимость данной задачи обуслов-
  лены необходимостью сохранения достоверности и исключения избыточности знаний при
  интеграции (объединении) структурированных информационных источников различного
  происхождения. Близость и непротиворечивость понятийной семантики объединенного
  ресурса при проводимом отображении является основным критерием эффективности
  предложенных решений. В статье рассмотрены проблемы выбора соответствующих за-
  даче подходов решения, сохраняющих семантику при отображении концептов. Обоснована
  стратегия выбора биоинспирированного моделирования. Проанализированы аспекты эф-
  фективности применения различных децентрализованных биоинспирированных методов.
  Определены причины необходимости проведения гибридизации. Предложено решать зада-
  чу отображения онтологических моделей с применением биоинспирированного алгоритма,
  построенного на основе гибридизации оптимизационных механизмов алгоритмов бактери-
  ального и кукушкиного поиска. Проведенная гибридизация данных алгоритмов позволила
  объединить их основные преимущества: последовательный бактериальный поиск, обеспечивающий детальное исследование локальных областей, и значительное число глобальных
  перемещений агента-кукушки при реализации полетов Леви. Для оценки эффективности
  предложенного гибридного биоинспирированного алгоритма разработан программный
  продукт и проведены эксперименты по отображению онтологий разного размера. Каж-
  дый концепт любой онтологии имеет определенный набор атрибутов, являющийся семан-
  тическим вектором признаков. Степень сходства семантических векторов сравниваемых
  концептов отображаемых онтологий является критерием их интеграции. Для повышения
  качества процесса отображения введена новая кодировка решений. Полученные количест-
  венные оценки демонстрируют экономию времени при решении задач относительно боль-
  шой размерности (от 500000 вершин онтографа) не менее 13 %. Временная сложность
  разработанного гибридного алгоритма составляет Описанные исследования имеют
  высокий уровень теоретической и практической значимости и напрямую связаны с реше-
  нием классических задач искусственного интеллекта, направленных на поиск скрытых за-
  висимостей и закономерностей на множестве элементов знаний.