АГЕНТНО-ОРІЄНТОВАНЕ ТА СИСТЕМНО-ДИНАМІЧНЕ МОДЕЛЮВАННЯ В УПРАВЛІННІ СКЛАДНИМИ СИСТЕМАМИ

DOI: 10.31673/2786-8362.2024.026791

  • Вишнівський В. В. (Vyshnivskyi V.V.) Державний університет інформаційнокомунікаційних технологій, Київ, Україна.
  • Кравчук П. О. ( Kravchuk P.О.) Державний університет інформаційнокомунікаційних технологій, Київ, Україна.
  • Гуменний Д. О. (Humennyi D.O.) Київський національний університет будівництва і архітектури, Київ Україна.
  • Чичур А. І. (Chychur А.I.) Державний університет інформаційно-комунікаційних технологій, Київ, Україна.
  • Волуйко І. В, (Volyuko І.V.) Державний університет інформаційно-комунікаційних технологій, Київ, Україна.

Анотація

У статті
запропоновано використовувати мультиагентний підхід для вирішення проблеми сумісності
розв’язувачів завдань. Рекомендовано розглядати вирішувач як ієрархічну систему, яка складається
з кількох взаємопов’язаних рівнів, що дозволяє забезпечити можливість незалежного проєктування,
налагодження та верифікації компонентів різних рівнів. Запропоновані моделі, методики та засоби
використані при розробці ряду прототипів інтелектуальних систем навчального призначення, а
також прототипу системи автоматизації рецептурного виробництва.

Ключові слова: система автоматизованого проєктування, моделювання, вирішувач завдань,
інтелектуальний агент, база даних

Список використаної літератури:
1. Бідніченко О. Г. Сучасні тенденції розвитку систем автоматизованого комп’ютерного
моделювання. Управління розвитком складних систем. 2022. № 49. С. 59-65.
URL: https://doi.org/10.32347/2412-9933.2022.49.59-65.
2. Discrete-event System Simulation / J. Banks et al. 5th ed. Pearson, 2009. 648 p.
3. Kim S., Chen D. Virtual Reality Simulations in Control Systems Education: A Case Study.
IEEE Transactions on Education. 2019. Vol. 62(4). P. 309-316.
4. A Labview-based Remote Laboratory Experiments for Control Engineering Education /
M. Stefanovic et al. Computer Applications in Engineering Education. 2011. Vol. 19 (3). P. 538-549.
URL: https://doi.org/10.1002/cae.20334.
5. Chen L., Li S. Adaptive E-Learning System for Control Engineering Education Based on Item
Response Theory. IEEE Access. 2019. Vol. 7. P. 60745-60754.
6. Garcia M., Lopez G. Evaluating the Quality of Computer Models in Control Systems
Engineering Education. Journal of Engineering Education. 2020. Vol. 109(1). P.48-69.
7. Suarez R., Bermudez N. Challenges in Real-Time Simulation for Engineering Education.
International Journal of Electrical Engineering Education. 2018. Vol. 55(3). P. 237-253.
8. Kim C., Chen J. Virtual Reality Applications in Engineering Education: A Review. Journal of
Professional Issues in Engineering Education and Practice. 2019. Vol. 145(1). P. 04018014.
9. Chen L., Li S. Adaptive E-Learning System for Control Engineering Education Based on Item
Response Theory. IEEE Access. 2019. Vol. 7. P. 60745-60754.
10. Smith D., Brown T. Artificial Intelligence in Control Systems Education: A Review and Case
Study. IEEE Transactions on Education. 2021. Vol. 64(1). P. 26-36.
URL: https://doi.org/10.3389/fsufs.2021.756584/
11. Actor Pilgrim system. URL: http://simulation.su/static/actor-pilgrim-full-info.html (date of
access 13.10.2024).
12. Three-dimensional Trajectories and Network Analyses of Group Behaviour Within Chimney
Swift Flocks During Approaches to the Roost / D. J. Evangelista et al. Royal Society B: Biological
Sciences. 2017. Vol. 284, no 1849. URL: https://doi.org/10.1098/rspb.2016.2602.
13. Williams R. J., Zipser D. A Learning Algorithm for Continually Running Fully Recurrent
Neural Networks. Neural computation. 1989. Vol. 1. P. 270-280.
14. Hoshen Y. Vain: Attentional Multi-agent Predictive Modeling. 31st Conference on Neural
Information Processing Systems (NIPS 2017), Long Beach, CA, USA. 2017. P. 2701-2711.
15. Ha S., Jeong H. Uncovering Hidden Interactions in Complex Systems Using Deep Learning.
Scientific Reports. 2021. No 12804. URL: https://doi.org/10.1038/s41598-021-91878-w.

Номер
№ 2 (2024)
Розділ
Статті