doi: 10.17586/2226-1494-2021-21-6-848-857


УДК 004.942

Проактивное управление составом и структурой системы пространственного мониторинга в условиях воздействия дестабилизирующих факторов

Шайдулин З.Ф., Балдычев М.Т., Тимошенко А.В., Омельшин А.А.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Шайдулин З.Ф., Балдычев М.Т., Тимошенко А.В., Омельшин А.А. Проактивное управление составом и структурой системы пространственного мониторинга в условиях воздействия дестабилизирующих факторов // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 6. С. 848–857. doi: 10.17586/2226-1494-2021-21-6-848-857


Аннотация
В работе рассмотрены вопросы повышения целевого показателя функционирования системы пространственного мониторинга, выраженного в максимизации количества обнаруженных объектов поиска в условиях воздействия дестабилизирующих факторов. Показано, что такая задача может быть решена путем интеграции имитационного моделирования и искусственного интеллекта в модуле моделирования и прогнозирования подсистемы проактивного управления системы пространственного мониторинга. В рамках предложенного подхода имитационная модель позволяет генерировать множество вариантов течения антагонистического конфликта и используется в качестве площадки для обучения нейросетевого модуля, который отвечает за структуру системы пространственного мониторинга. Взаимодействие нейросетевого модуля с имитационной моделью реализовано посредством интеграции интеллектуального агента. Реализован процесс обучения «с подкреплением». Выявлено, что предлагаемая интеграция возможна путем применения агентно-ориентированного подхода. На основе данного подхода представлено структурно-функциональное описание имитационной модели действия системы пространственного мониторинга в условиях воздействия дестабилизирующих факторов. Представленные результаты подтверждают эффективность рекомендаций по управлению элементами системы при использовании обученного в ходе имитационного моделирования нейросетевого модуля. Выполнено сравнение с базовыми стратегиями поиска объектов. Определены перспективы применения нейросетевых технологий и машинного обучения «с подкреплением» в подсистеме проактивного управления системы пространственного мониторинга и пути их достижения.

Ключевые слова: проактивное управление, агентно-ориентированный подход, имитационное моделирование, нейросетевые технологии, теория игр, машинное обучение, обучение «с подкреплением»

Благодарности. Часть исследования выполнена при поддержке гранта Российского научного фонда № 21-19-00481.

Список литературы
  1. Соколова И.С., Тырсин А.Н. Использование энтропийно-вероятностного моделирования в задачах мониторинга и управления сложными системами // Современные технологии. Системный анализ. Моделирование. 2012. № 4. С. 35–39.
  2. Охтилев М.Ю., Мустафин Н.Г., Миллер В.Е., Соколов Б.В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Известия вузов. Приборостроение. 2014. Т. 57. № 11. С. 7–15.
  3. Имитационное моделирование боевых действий: теория и практика / под ред. П.А. Созинова, И.Н. Глушкова. Тверь, 2013. 528 с.
  4. Андреев Г.И., Созинов П.А., Тихомиров В.А. Основы теории принятия решений. М.: Радиотехника, 2017. 648 с.
  5. Богданов О.А., Смирнов А.А., Ковалев Д.В. Имитационное моделирование противоборства в воздушно-космической сфере // Программные продукты и системы. 2016. № 1. С. 160–165. https://doi.org/10.15827/0236-235X.113.160-165
  6. Осипов М.П. Влияние численности сражающихся сторон на их потери // Военный сборник. 1915. № 10. С. 93–96.
  7. Воробьев А.А., Загодарчук И.В., Филяев М.П. Имитационное моделирование в военном деле // Научные проблемы материально-технического обеспечения Вооруженных Сил Российской Федерации: сборник научных трудов. 2018. № 3(9). С. 42–49.
  8. Aksarayli M., Yildiz A. Process optimization with simulation modeling in a manufacturing system // Research Journal of Applied Sciences, Engineering and Technology. 2011. V. 3. N 4. P. 318–328.
  9. Kang B.G., Choi S.H., Kwon S.J., Lee J.H., Kim T.G. Simulation-based optimization on the system-of-systems model via model transformation and genetic algorithm: A case study of network-centric warfare // Complexity. 2018. P. 4521672. https://doi.org/10.1155/2018/4521672
  10. Ankenman B., Nelson B.L., Staum J. Stochastic kriging for simulation metamodeling // Operations Research. 2010. V. 58. N 2. P. 371–382. https://doi.org/10.1287/opre.1090.0754
  11. Chen W., Gao S., Chen C.H., Shi L. An optimal sample allocation strategy for partition-based random search // IEEE Transactions on Automation Science and Engineering. 2014. V. 11. N 1. P. 177–186. https://doi.org/10.1109/TASE.2013.2251881
  12. Абчук В.А. Справочник по исследованию операций. М.: Воениздат, 1979. 368 с.
  13. Куцев Л.Н., Мещеряков Г.А., Ткаченко П.Н. и др. Математические модели боевых действий. М.: Советское радио, 1969. 240 с.
  14. Вентцель Е.С. Элементы теории игр. М.: Физматгиз, 1961. 68 с.
  15. Галяев А.А., Маслов Е.П., Рубинович Е.Я. Об одной задаче управления движением объекта в конфликтной среде // Известия Российской академии наук. Теория и системы управления. 2009. № 3. С. 134–140.
  16. Дюбин Г.Н., Суздаль В.Г. Введение в прикладную теорию игр. М.: Наука, 1981. 336 с.
  17. Chen X., Jiang N., Jing Y., Stojanovski G., Dimirovski G. Differential game model and its solutions for force resource complementary via lanchester square law equation // IFAC Proceedings Volumes. 2011. V. 44. N 1. P. 1429–1433. https://doi.org/10.3182/20110828-6-IT-1002.01042
  18. Shoham Y., Leyton-Brown K. Multiagent Systems. Algorithmic, Game-Theoretic, and Logical Foundations. London: Cambridge University Press, 2008. 532 p. https://doi.org/10.1017/CBO9780511811654
  19. Новиков Д.А. Рациональная интеллектуализация МАС // Теория активных систем-2011: Труды международной научно-практической конференции. Т. 3. М.: Институт проблем управления им. В.А. Трапезникова РАН, 2011. С. 233–238.
  20. Корепанов В.О. Модели рефлексивного группового поведения и управления. М.: ИПУ РАН, 2011. 133 с.
  21. Weiss G. Multiagent Systems: a Modern Approach to Distributed Artificial Intelligence. Massachusetts: MIT Press, 1999. 619 с.
  22. Борщев А.В., Mahdavi A., Жеребцов А.А. Имитационные модели как виртуальная среда для обучения и тестирования искусственного интеллекта для бизнес-приложений // Девятая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» (ИММОД-2019): Труды конференции. Екатеринбург: Издательство Уральского государственного педагогического университета, 2019. с. 20–29.
  23. Кутузов О.И., Татарникова Т.М. Общее в подходе к имитационному моделированию инфокоммуникационных и транспортных сетей // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 5. С. 912–917. https://doi.org/10.17586/2226-1494-2019-19-5-912-917
  24. Викснин И.И., Ляховенко Ю.А., Турсуков Н.О. Моделирование поведения неорганизованной группы в случае чрезвычайной ситуации // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 6. С. 1130–1138. https://doi.org/10.17586/2226-1494-2019-19-6-1130-1138
  25. Alsalehi S., Mehdipour N., Bartocci E., Belta C.  Neural network-based control for multi-agent systems from spatio-temporal specifications [Электронный ресурс]. URL: https://arxiv.org/pdf/2104.02737.pdf (дата обращения: 23.05.2021).
  26. Arulkumaran K., Deisenroth M.P., Brundage M., Bharath A.A. Deep reinforcement learning: A brief survey // IEEE Signal Processing Magazine. 2017. V. 34. N 6. P. 26–38. https://doi.org/10.1109/MSP.2017.2743240
  27. Lin L.-J. Self-improving reactive agents based on reinforcement learning, planning and teaching // Machine Learning. 1992. V. 8. N 3-4. P. 293–321. https://doi.org/10.1007/BF00992699
  28. Боев C.Ф., Тимошенко А.В., Чеботарь И.В., Балдычев М.Т. Метод комплексного применения бортовых радиотехнических и радиолокационных средств для распознавания радиомолчащих воздушных объектов в условиях радиоэлектронного подавления // Журнал радиоэлектроники. 2017. № 4. С. 2.
  29. Ha D., Schmidhuber J. World Models [Электронный ресурс]. URL: https://arxiv.org/pdf/1803.10122.pdf(дата обращения: 17.04.2021).
  30. Петросян Л.А., Гарнаев А.Ю. Игры поиска: учебное пособие. СПб.: Изд-во СПбГУ, 1992. 216 с.
  31. Петросян Л.А., Зенкевич Н.А. Оптимальный поиск в условиях конфликта: учебное пособие. Л.: Изд-во ЛГУ, 1987. 77 с.
  32. Абчук В.А., Суздаль В.Г. Поиск объектов. М.: Советское радио, 1977. 336 с.
  33. Taillandier P., Bourgais M., Caillou P., Adam C., Gaudou B. A BDI agent architecture for the GAMA modelling and simulation platform // Lecture Notes in Computer Science. 2017. V. 10399. P. 3–23. https://doi.org/10.1007/978-3-319-67477-3_1
  34. Bratman M. Intention, Plans, and Practical Reason. Harvard University Press, 1987. 208 c.
  35. Корепанов В.О., Новиков Д.А. Задача о диффузной бомбе // Проблемы управления. 2011. № 5. С. 66–73.
  36. Куприянов А.И. Радиоэлектронная борьба. М.: Вузовская книга, 2013. 360 с.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2022 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика