Роевой интеллект в задачах обнаружения аномалий и состояний природно-технических систем и объектов

от

А.В. Скатков, А.А. Брюховецкий, Д.В. Моисеев, И.А. Скатков

 Севастопольский государственный университет, РФ, г. Севастополь, ул. Университетская, 33

E—mail: dmitriymoiseev@mail.ru

DOI: 10.33075/2220-5861-2021-3-119-126

УДК 004.56                                                                                                                       

Реферат:

   Идейная основа предполагаемой статьи близка к позиции Тейяра де Шардена, основоположника научного креационизма и ветви философии – тейярдизма, который призывает: «Выражайте свою уникальность, чтобы способствовать всемирному прогрессу».

   Из чего следует предлагаемый нами принцип построения сложных систем и объектов: индивидуальное совершенствование – один из немногих путей к коллективному процветанию и гармонии. Неконтролируемое вторжение человека в окружающую среду, вызванное его хозяйственной деятельностью, особенно в связи с появлением новых промышленных производств, приводит к ухудшению состояния экологической обстановки и, как следствие, к снижению качества уровня жизни людей. Под усилившимся влиянием негативного человеческого воздействия на окружающую среду за последние десятилетия произошло большое число локальных экологических катастроф. В настоящее время особенно насущны проблемы, связанные с контролем загрязнения грунта, воздушной среды, морских и речных акваторий. В связи с этим возникает объективная потребность разработки методов и средств, предназначенных для реализации системы непрерывного мониторинга ключевых показателей окружающей среды и прогнозирования возникновения аномальных состояний экосистем. Поэтому решение задачи обнаружения аномалий и состояний природно-технических систем и объектов является своевременной и актуальной. Комплексное использование средств оперативного мониторинга, математического и имитационного моделирования с применением методов искусственного интеллекта позволит контролировать состояние экосистемы и прогнозировать динамику ее изменения, предупреждать о возможных аномалиях и предотвращать тем самым возникновение критических ситуаций.

   В статье рассматривается подход к решению задачи обнаружения и классификации аномалий и состояний природно-технических систем и объектов с использованием методов роевого интеллекта. К числу основных направлений развития предлагаемого подхода относятся муравьиные алгоритмы, алгоритмы роя пчел, метод роя частиц. Предложена структура системы роевого интеллекта поддержки принятия решения на основе коллективных правил предпочтения. Применение предложенного подхода позволяет оптимизировать процессы обработки, анализа, интеграции гетерогенных данных, повысить чувствительность, достоверность и оперативность принимаемых решений.

Ключевые слова: обнаружение аномалий, роевой интеллект, классификация состояний, коллективные правила предпочтения, принятие решений.

Для цитирования: Скатков А.В., Брюховецкий А.А., Моисеев Д.В., Скатков И.А. Роевой интеллект в задачах обнаружения аномалий и состояний природно-технических систем и объектов // Системы контроля окружающей среды. 2021. Вып. 3 (45). C. 119-126.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Гайский В.А., Гайский П.В. Многомерный гармонический анализ при измерениях полей морской среды // Системы контроля окружающей среды. 2019. № 4 (38). С. 33–42. DOI: 10.33075/2220-5861-2019-4-33-42
  2. Скатков А.В., Брюховецкий А.А., Моисеев Д.В., Шишкин Ю.Е. Мера Кульбака в задачах динамической кластеризации наблюдений состояния окружающей среды // Системы контроля окружающей среды. № 3 (37). 2019. С. 35–38. DOI: 10.33075/2220-5861-2019-3-35-38
  3. Брюховецкий А.А., Скатков А.В., Шишкин Ю.Е. Моделирование процессов обнаружения аномалий в сложноструктурированных данных мониторинга // Системы контроля окружающей среды. 2017. № 9 (29). С. 45–49. DOI: 10.33075/2220-5861-2017-3-45-49
  4. Agarwal D. Detecting anomalies in cross-classified streams: a bayesian approach // Knowledge and Information Systems. 2006. Vol. 11, № 1. P. 29–44.
  5. Gevrey M., Dimopoulos I., Lek S. Review and comparison of methods to study the contribution of variables in artificial neural network models // Ecological Modelling. 2003. Vol. 160. № 3. P. 249–264.
  6. Chan P.K., Mahoney M.V. Modeling multiple time series for anomaly detection // In Proceedings of the Fifth IEEE International Conference on Data Mining. IEEE Computer Society, Washington, USA. 2005. P. 90–97.
  7. Socha K., Dorigo M. Ant Colony Optimization for Continuous Domains // Technical Report TR/IRIDIA/2005-037. Bruxelles: Universite Libre  de  Bruxelles, 2005. 34 p.
  8. Kong M. Application of ACO in Continuous Domain / M. Kong, P. Tian, L. Jiao [et al.] (Eds.): ICNC 2006, LNCS 4222. Part II. Berlin: Springer-Verlag, 2006. P. 126–135.
  9. Karaboga D. On the performance of artificial bee colony (ABC) algorithm / D. Karaboga, B. Basturk // Applied Soft Computing. 2008. Vol. 8.  P. 687–697.
  10. Назин А.В. О повышении эффективности автоматных алгоритмов адаптивного выбора вариантов // Адаптация и обучение в системах управления и принятия решений. Новосибирск: Наука. 1982. 208 с.
  11. Скатков А.В. Комплементарное детектирование атак в телекоммуникационных системах критического применения // Information technologies in education, science and production, 2013, ed. № 4 (5). С. 136–146.
  12. Скатков А.В., Брюховецкий А.А., Моисеев Д.В. и др. Адаптивный метод обнаружения уязвимостей интерфейсов беспилотных транспортных средств в инфраструктуре умного города // Инфокоммуникационные технологии. 2020. Т. 18, № 1. C. 45–50.

Loading