10.14489/vkit.2023.08.рр.019-033

DOI: 10.14489/vkit.2023.08.рр.019-033

Иванов С. В.
НЕЙРО-НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ГРУППОЙ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В УСЛОВИЯХ ВОЗДЕЙСТВИЯ ВНЕШНЕЙ СРЕДЫ
(c. 19-33)

Аннотация. Рассмотрена концепция построения интеллектуальной системы поддержки принятия решений на основе совместного использования элементов теории нечетких множеств с технологией нейронных сетей. Показана ее актуальность. Существующие требования, предъявляемые к интеллектуализации системы управления гетерогенной группой беспилотных летательных аппаратов, заставляют разработчиков переходить на использование технологий искусственного интеллекта, позволяющих осуществить обучение сложных энергозатратных алгоритмов и обеспечить самоорганизованное их функционирование при решении задач по предназначению. Поскольку процесс функционирования гетерогенной группы беспилотных летательных аппаратов описывается сложными моделями, учитывающими разнородность этой группы, а также многофункциональность и мультисценарность при выполнении задач по предназначению, возникает необходимость в моделировании этих процессов на ЭВМ. Моделирование проводится в целях получения цифрового варианта двойника реального процесса или объекта. Модель должна максимально учитывать все возможные стратегии поведения. Наиболее подходящей технологией, способной проанализировать все стратегии внешней среды и сформировать результирующий вектор всех ситуаций, возникающих в процессе выполнения группой беспилотных летательных аппаратов задач по предназначению, является технология нейронных сетей. Однако просто получить одно решение на выходе системы недостаточно, поэтому прибегают к моделированию ситуаций на основе базы правил. Такую базу в настоящее время легко сформировать. На ее основе можно построить нечеткую модель действий, когда исходы альтернатив известны неточно и вероятности их наступления оцениваются с помощью функции принадлежности. Принятие решения базируется на методе идеальной точки, и область допустимых решений строится с помощью генетического алгоритма. Внедрение нейросетевой технологии позволит максимально повысить живучесть функционирования группы беспилотных летательных аппаратов при управлении ею как с помощью оператора, так и в автономном режиме. В статье рассмотрена модель функционирования группы беспилотных летательных аппаратов в условиях деструктивных воздействий внешней среды.

Ключевые слова: нечеткая логика; группа беспилотных летательных аппаратов; нейронные сети; генетический алгоритм; система поддержки принятия решений; цифровой двойник; самоорганизация; самообучение; деструктивные воздействия внешней среды.

Ivanov S. V.
NEURO-FUZZY MODELING OF A DECISION SUPPORT SYSTEM BY A GROUP OF UNMANNED AERIAL VEHICLES UNDER THE INFLUENCE OF THE EXTERNAL ENVIRONMENT
(рр. 19-33)

Abstract. The work discusses the relevance and concept of building an intelligent decision support system based on the use of elements of the theory of fuzzy sets together with the technology of neural networks. The existing requirements for the intellectualization of the control system of a heterogeneous group of unmanned aerial vehicles force developers to switch to the use of artificial intelligence technologies that allow for the training of complex energy-consuming algorithms and ensure their self-organized functioning when solving tasks for their intended purpose. Due to the fact that the process of functioning of a heterogeneous group of unmanned aerial vehicles is described by complex models that take into account the heterogeneity of the group, versatility and multiscenarity when performing tasks for their intended purpose, there is a need to model these processes on a computer. The purpose of the simulation is to obtain a digital version of the double of a real process or object. The probabilistic nature of the description of environmental influences encourages the construction of a model that takes into account all possible behavioral strategies as much as possible and the development of various counteraction scenarios. The most suitable technology capable of analyzing all strategies of the external environment and forming the resulting vector of all situations arising in the process of performing tasks by a group of UAVS for their intended purpose is the well-proven technology of neural networks. However, just getting one solution at the output of the system is not enough, so they resort to modeling situations based on the rule base. Currently, it is easy to form such a base and build a fuzzy model of actions based on it, when the outcomes of alternatives are known inaccurately and the probabilities of their occurrence are estimated using the membership function. Decision-making is based on the method of an ideal point, and the range of acceptable solutions is constructed using a genetic algorithm. The introduction of neural network technology will maximize the viability of the functioning of a group of unmanned aerial vehicles when controlling it both with the help of an operator and offline. The article considers the model of functioning of a group of unmanned aerial vehicles in the conditions of destructive environmental influences.

Keywords: Fuzzy logic; Group of unmanned aerial vehicles; Neural networks; Genetic algorithm; Decision support system; Digital twin; Self-organization; Self-learning; Destructive environmental influences.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

С. В. Иванов (Краснодарское высшее военное училище имени С. М. Штеменко, Краснодар, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

S. V. Ivanov (Krasnodar Higher Military School named after S. M. Shtemenko, Krasnodar, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Mahmoud Alrefai and Hamidreza Shahbaznezhad. Realtime Video Object Detection Based on Convolutional Neural Networks for Unmanned Aerial Vehicles (UAVs) // Journal of Intelligent & Robotic Systems. 2019. V. 96, No. 2. Р. 427–440.
2. Mahdi Valizadeh-Kaji and Hasan Hosseinmardi. Autonomous Obstacle Avoidance for Unmanned Aerial Vehicles Using Artificial Intelligence // Applied Sciences. 2019. V. 9, No. 7. P. 1380.
3. Хижняков Ю. Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого управления в системах реального времени: учеб. пособие. Пермь: Изд-во Пермского национального исследовательского политехнического университета, 2013. 160 с.
4. Разработка автоматизированной информационной системы поддержки принятия решения группой беспилотных летательных аппаратов на основе самообучающейся нейронной сети / С. В. Иванов, Д. Г. Белоножко, А. Н. Стадник и др. // Стратегическая стабильность. 2020. № 3(92). С. 15–21.
5. Доценко А.В. Автоматический синтез непрерывной динамической системы стабилизации на основе искусственных нейронных сетей // Вестник МГТУ им. Баумана. Сер. Приборостроение. 2020. №3(132). С. 66–83.
6. Пегат А. Нечеткое моделирование и управление: пер. с англ. М.: БИНОМ. Лаборатория знаний, 2012. 798 с. (Адаптивные и интеллектуальные системы).
7. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия – Телеком, 2007. 288 с.
8. Mamdani E. H., Assilian S. An Experiment in Linguistic Synthesis with Fuzzy Logic Controller // Int. J. Man-Machine Studies. 1975. V. 7, № 1. P. 1–13.
9. Майсак М. О., Козырев Ю. Ю., Рубцов А. В. Применение методов машинного обучения для управления беспилотными летательными аппаратами // Информационные технологии и вычислительные системы. 2018. № 2. C. 28–34.
10. Плотников А. М., Циперев А. В., Камкин С. А. Автономное управление малой беспилотной авиацией при помощи искусственного интеллекта // Вестник Рязанского государственного радиотехнического университета имени В. Ф. Уткина. 2019. № 3. C. 55–60.
11. Малкин А. С., Строкова Е. А., Сергеев Г. И. Применение глубоких нейронных сетей для управления автономными БЛА // Компьютерные инструменты в образовании, науке и производстве. 2018. № 3. C. 34–38.
12. Разработка модели преднамеренных воздействий на робототехнический комплекс двойного назначения / Д. Г. Белоножко, В. В. Починок, И. Д. Королев и др. // Стратегическая стабильность. 2020. № 1(90). С. 38 – 43.

Eng

1. Mahmoud Alrefai, Hamidreza Shahbaznezhad (2019). Realtime Video Object Detection Based on Convolutional Neural Networks for Unmanned Aerial Vehicles (UAVs). Journal of Intelligent & Robotic Systems, Vol. 96 (2), pp. 427 – 440.
2. Mahdi Valizadeh-Kaji, Hasan Hosseinmardi (2019). Autonomous Obstacle Avoidance for Unmanned Aerial Vehicles Using Artificial Intelligence. Applied Sciences, Vol. 9 (7).
3. Hizhnyakov Yu. N. (2013). Fuzzy, neural and neuro-fuzzy control algorithms in real-time systems: textbook. Perm': Izdatel'stvo Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta. [in Russian language]
4. Ivanov S. V., Belonozhko D. G., Stadnik A. N. et al. (2020). Development of an automated information system for decision support by a group of unmanned aerial vehicles based on a self-learning neural network. Strategicheskaya stabil'nost', 92(3), pp. 15 – 21. [in Russian language]
5. Dotscenko A. V. (2020). Automatic synthesis of a continuous dynamic stabilization system based on artificial neural networks. Vestnik MGTU imeni N. E. Baumana. Seriya: Priborostroenie, 132(6), pp. 66 – 83. [in Russian language]
6. Pegat A. (2012). Fuzzy modeling and control. Moscow: BINOM. Laboratoriya znaniy. (Adaptivnye i intellektual'nye sistemy). [in Russian language]
7. Shtovba S. D. (2007). Designing fuzzy systems using MATLAB. Moscow: Goryachaya liniya – Telekom. [in Russian language]
8. Mamdani E. H., Assilian S. (1975). An Experiment in Linguistic Synthesis with Fuzzy Logic Controller. International Journal of Man-Machine Studies, Vol. 7 (1), pp. 1 – 13.
9. Maysak M. O., Kozyrev Yu. Yu., Rubtsov A. V. (2018). Application of machine learning methods to control unmanned aerial vehicles. Informatsionnye tekhnologii i vychislitel'nye sistemy, (2), pp. 28 – 34. [in Russian language]
10. Plotnikov A. M., Tsiperev A. V., Kamkin S. A. (2019). Autonomous control of small unmanned aircraft using artificial intelligence. Vestnik Ryazanskogo gosudarstvennogo radiotekhnicheskogo universiteta imeni V. F. Utkina, (3), pp. 55 – 60. [in Russian language]
11. Malkin A. S., Strokova E. A., Sergeev G. I. (2018). Application of deep neural networks to control autonomous UAVs. Komp'yuternye instrumenty v obrazovanii, nauke i proizvodstve, (3), pp. 34 – 38. [in Russian language]
12. Belonozhko D. G., Pochinok V. V., Korolev I. D. et al. (2020). Development of a model of intentional impacts on a dual-purpose robotic complex. Strategicheskaya stabil'nost', 90(1), pp. 38 – 43. [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2023.08.рр.019-033

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2023.08.рр.019-033

and fill out the form