Development of a method for analyzing and forecasting the state of multidimensional objects using a metaheuristic algorithm

• Published in: Eastern-European journal of enterprise technologies Vol. 5; no. 3 (131); pp. 41 - 47
• Main Authors: Tarkhan, Aqeel Bahr, Sova, Oleg, Lebedynskyi, Andrii, Dehtiar, Yurii, Lytvynenko, Oleksandr, Minochkin, Dmytro, Petrukovych, Dmytro, Pimonov, Ihor, Kosolapov, Viktor, Honcharuk, Dmytro
• Format: Journal Article
• Language: English
• Published: 30.10.2024
• ISSN: 1729-3774; 1729-4061
• DOI: 10.15587/1729-4061.2024.313086

The object of the study is multidimensional objects. The problem solved in the study is to increase the efficiency of assessing the state of multidimensional objects, regardless of the number of dimensions of object state assessment. The subject of the study is the process of assessing the state of multidimensional objects using an advanced butterfly optimization algorithm (BOA), an advanced genetic algorithm and evolving artificial neural networks. The originality of the study is as follows: – the initial setting of butterfly agents (BA) on the plane of multidimensional objects is carried out taking into account the type of uncertainty using appropriate correction factors for the degree of awareness of nectar source locations (in our case, priority search directions); – adjusting the initial BA velocity allows determining search priority; – the fitness of BA nectar collection sites is determined, which reduces the time for assessing the state of multidimensional objects; – the possibility of global restart of the algorithm, which allows the algorithm to go beyond the current optimum and improve the exploration ability, which reduces the time for assessing the state of multidimensional objects; – the possibility of clarification at the stage of collecting nectar clusters due to ranking nectar sources by the level of stimulus intensity; – improved ability to select the best BA in comparison with traditional selection using an advanced genetic algorithm. The proposed method should be used to solve the problems of assessing the state of multidimensional objects under uncertainty and risks characterized by a high degree of complexity. The method showed a 14–16 % increase in the efficiency of assessing the state of multidimensional objects Об’єктом дослідження є багатовимірні об’єкти. Проблема, яка вирішується в дослідженні, є підвищення оперативності оцінки стану багатовимірних об’єктів, незалежно від кількості вимірів оцінки стану об’єктів. Предметом дослідження є процес оцінки стану багатовимірних об’єктів за допомогою удосконаленого алгоритму зграї метеликів (АЗМ), удосконаленого генетичного алгоритму та штучних нейронних мереж, що еволюціонують. Оригінальність дослідження полягає в тому, що: – первинне виставлення агентів метеликів (АМ) на площині багатовимірних об’єктів здійснюється з урахуванням типу невизначеності за рахунок використання відповідних корегувальних коефіцієнтів на ступінь інформованості про розміщення джерел нектару (в нашому випадку пріоритетні напрямки пошуку); – регулювання початкова швидкість АМ дозволяє визначити пріоритетність пошуку; – визначається придатність місць збору нектару АМ, чим зменшується час оцінювання стану багатовимірних об’єктів; – наявністю можливості глобального перезапуску алгоритму, чим досягається здатність алгоритму виходити за межі поточного оптимуму та покращити дослідницьку здатність алгоритму, чим досягається скорочення часу на оцінку стану багатовимірних обʼєктів; – можливістю уточнення на етапі збору місць скупчень нектару за рахунок ранжування джерел нектару по рівню інтенсивності стимулу; – покращеною можливістю відбору кращих АМ у порівняння з традиційним відбором за рахунок використання удосконаленого генетичного алгоритму. Запропоновану методику доцільно використовувати для вирішення завдань оцінки стану багатовимірних об’єктів в умовах невизначеності та ризиків, що характеризуються високим ступенем складності. Методика показала підвищення ефективності оперативності оцінки стану багатовимірних об’єктів на рівні 14−16 %.