Development of a method for assessing the state of dynamic objects using a combined swarm algorithm

• Published in: Eastern-European journal of enterprise technologies Vol. 3; no. 4 (129); pp. 44 - 54
• Main Authors: Shyshatskyi, Andrii, Dmytriieva, Oksana, Lytvynenko, Oleksandr, Borysov, Ihor, Vakulenko, Yuliia, Mukashev, Temerbay, Mordovtsev, Oleksandr, Kashkevich, Svitlana, Lyashenko, Anna, Velychko, Vira
• Format: Journal Article
• Language: English
• Published: 28.06.2024
• DOI: 10.15587/1729-4061.2024.304131
• ISSN: 1729-3774

The object of the study is complex dynamic objects. The subject of the study is the decision-making process in the problems of managing complex dynamic objects. A method of assessing the state of dynamic objects using a combined swarm algorithm is proposed. The research is based on a combined swarm algorithm - for finding a solution to the state of dynamic objects with a hierarchical structure. To train the individuals of the combined swarm algorithm (CSA), evolving artificial neural networks are used, and to select the best in the combined swarm algorithm, an improved genetic algorithm is used. The originality of the method is: – in taking into account the type of uncertainty and noise of data during the operation of the combined swarm algorithm due to the use of appropriate correction factors; – in the implementation of adaptive strategies for the search for food sources due to setting appropriate search priorities; – in taking into account the presence of a predator while choosing food sources by the flock agents of the combined swarm algorithm, which allows excluding unwanted search areas; – in the additional consideration of the available computing resources of the state analysis system of complex dynamic objects while determining the maximum permissible parameters of the combined swarm algorithm; – in the possibility of changing the search area and speed of movement by separate individuals of the flock of the combined swarm algorithm; – in determining the best individuals of the flock of the combined swarm algorithm using an improved genetic algorithm; – in training knowledge bases, carried out by training the synaptic weights of the artificial neural network, the type and parameters of the membership function, the architecture of individual elements and the architecture of the artificial neural network as a whole. The method makes it possible to increase the efficiency of data processing at the level of 14–20 % by using additional improved procedures. The proposed method should be used to solve problems of evaluating complex dynamic objects Об’єктом дослідження є складні динамічні об’єкти. Предметом дослідження є процес прийняття рішення в завданнях управління складними динамічними об’єктами. Запропоновано метод оцінки стану динамічних об’єктів з використанням комбінованого ройового алгоритму. В основу дослідження покладений комбінований ройовий алгоритм – для пошуку рішення щодо стану динамічних об’єктів з ієрархічною структурою. Для навчання особин комбінованого ройового алгоритму (КРА) – використовуються штучні нейронні мережі, що еволюціонують, а для відбору найкращих в комбінованому ройовому алгоритмі використовується удосконалений генетичний алгоритм. Оригінальність методу полягає: – у врахуванні типу невизначеності та зашумленості даних при роботі комбінованого ройового алгоритму за рахунок використання відповідних корегувальних коефіцієнтів; – у реалізації адаптивних стратегій пошуку джерел харчування за рахунок виставлення відповідних пріоритетів пошуку; – у врахуванні присутності хижака при виборі джерел харчування агентами зграї комбінованого ройового алгоритму, що дозволяє виключити небажані ділянки пошуку; – у додатковому врахуванні наявних обчислювальних ресурсів системи аналізу стану складних динамічних об’єктів при визначенні максимально допустимих параметрів комбінованого ройового алгоритму; – у можливості зміни площі пошуку та швидкості руху окремими особинами зграї комбінованого ройового алгоритму; – у визначенні найкращих особин зграї комбінованого ройового алгоритму за допомогою удосконаленого генетичного алгоритму; – у навчанні баз знань, що здійснюється шляхом навчання синаптичних ваг штучної нейронної мережі, типу та параметрів функції належності, а також архітектури окремих елементів і архітектури штучної нейронної мережі в цілому. Використання методу дозволяє досягти підвищення оперативності обробки даних на рівні 14–20 % за рахунок використання додаткових удосконалених процедур. Запропонований метод доцільно використовувати для вирішення задач оцінки складних динамічних об’єктів