Меню
Публикации
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2025-25-6-1160-1167
УДК 004.942
Метод коллективного анализа внешней среды автономными агентами в условиях неполноты данных на основе алгоритма жуков-усачей
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Павелина Ю.А., Попов И.Ю. Метод коллективного анализа внешней среды автономными агентами в условиях неполноты данных на основе алгоритма жуков-усачей // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 6. С. 1160–1167. doi: 10.17586/2226-1494-2025-25-6-1160-1167
Аннотация
Введение. Возрастающая сложность автономных систем и постоянное изменение окружающей среды требуют создания алгоритмов принятия решений, работающих в условиях неполных данных для достижения групповых целей. Метод. Для описания группы автономных агентов использован мультиагентный подход, рассматривающий систему как совокупность взаимодействующих интеллектуальных агентов. Для разработки метода коллективного анализа внешней среды агентами использована модель поведения жуков-усачей. Основные результаты. Представлен метод, основанный на постоянном обмене информацией между агентами и направленный на минимизацию затрат ресурсов при сборе информации о внешней среде. В ходе проведения эмпирического исследования разработанного метода был получен прирост получаемой группой информации и снижение затрачиваемых ресурсов в сравнении с алгоритмами Model Predictive Control и Cooperative Decision-Making for Mixed Traffic. Обсуждение. Предложенный метод позволяет снизить ресурсозатраты группы агентов и повысить производительность системы при достижении групповых целей в условиях неполных данных.
Ключевые слова: автономные агенты, мультиагентные системы, неполнота данных, информационное взаимодействие
Благодарности. Работа выполнена в Университете ИТМО при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках проекта № 70-2024-001354 «Разработка технологий и демонстратора комплексной системы группового управления, взаимодействия и организации поведения группы БВС при выполнении целевых задач».
Список литературы
Благодарности. Работа выполнена в Университете ИТМО при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках проекта № 70-2024-001354 «Разработка технологий и демонстратора комплексной системы группового управления, взаимодействия и организации поведения группы БВС при выполнении целевых задач».
Список литературы
1. Wang J., Chen H. BSAS: Beetle swarm antennae search algorithm for optimization problems // arXiv. 2018. arXiv:1807.10470. https://doi.org/10.48550/arXiv.1807.10470
2. Laugier C., Chartre J. Intelligent perception and situation awareness for automated vehicles // Proc. of the Conference GTC Europe. 2016. hal-01428547.
3. Nègre A., Rummelhard L., Laugier C. Hybrid sampling bayesian occupancy filter // Proc. of the IEEE Intelligent Vehicles Symposium Proceedings. 2014. P. 1307–1312. https://doi.org/10.1109/ivs.2014.6856554
4. Rummelhard L., Nègre A., Laugier C. Conditional monte carlo dense occupancy tracker // Proc. of the IEEE 18th International Conference on Intelligent Transportation Systems. 2015. P. 2485–2490. https://doi.org/10.1109/itsc.2015.400
5. Finaev V.I., Ignatyev V.V., Shestova E.A., Spiridonov O.B., Zargaryan J.A., Zargaryan E.V. Optimum nominal method modification at the management of moving objects under uncertainty // ARPN Journal of Engineering and Applied Sciences. 2015. V. 10. N 16. P. 6837–6844.
6. Shapovalov I., Soloviev V., Finaev V., Beloglazov D., Zargaryan J., Kosenko E. Research of the controlled flight dynamics based on the full and simplified quadrotor models // Advances in Engineering Mechanics and Materials. 2014. P. 17–22.
7. Mamdani E.H. Application of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Transactions on Computers. 1977. V. C-26. N 12. P. 1182–1191. https://doi.org/10.1109/tc.1977.1674779
8. Nie J., Zhang J., Ding W., Wan X., Chen X., Ran B. Decentralized cooperative lane-changing decision-making for connected autonomous vehicles // IEEE Access. 2016. V. 4. P. 9413–9420. https://doi.org/10.1109/access.2017.2649567
9. Sun Z., Huang T., Zhang P. Cooperative decision-making for mixed traffic: A ramp merging example // Transportation Research Part C: Emerging Technologies. 2020. V. 120. P. 102764. https://doi.org/10.1016/j.trc.2020.102764
10. Cao W., Mukai M., Kawabe T., Nishira H., Fujiki N. Mild merging path generation method with optimal merging point based on MPC // IFAC Proceedings Volumes. 2013. V. 46. N 21. P. 756–761. https://doi.org/10.3182/20130904-4-jp-2042.00109
11. Ghiasi A., Hussain O., Qian Z.S., Li X. A mixed traffic capacity analysis and lane management model for connected automated vehicles: A Markov chain method // Transportation Research Part B: Methodological. 2017. V. 106. P. 266–292. https://doi.org/10.1016/j.trb.2017.09.022
12. Gipps P.G. A behavioural car-following model for computer simulation // Transportation Research Part B: Methodological. 1981. V. 15. N 2. P. 105–111. https://doi.org/10.1016/0191-2615(81)90037-0
