DECISION SUPPORT SYSTEMS: MATHEMATICAL SUPPORT
Ключові слова:
інтелектуальні системи, системи підтримки прийняття рішень, штучний інтелект, математична підтримкаКороткий опис
Висока динамічність розвитку суспільних процесів і явищ обумовлює формування нової систем світогляду людства, модифікацію (зміну) ієрархії потреб і цінностей, викликів до темпів та якості розвитку.
Вирішення надскладних проблем, пов’язаних із задоволенням вимог сучасності, вимагає застосування інноваційних наукових підходів. Сьогодні використання сучасних інтелектуальних технологій, таких як нейронні мережі, глибоке навчання та штучний інтелект, є передумовою проактивного розвитку всіх сфер діяльності людини: медицини, техніки, бізнесу, охорони навколишнього середовища, освіти, транспорту та зв’язку тощо. Таким чином, саме інтелектуалізацію технічних та управлінських систем можна вважати одним із ключових базисів нової парадигми науки та техніки. Словосполучення “системи штучного інтелекту” сьогодні зрозуміле всім. Контекст даного терміну пов’язують з такими поняттями як робототехніка, прогнозування, обробка великих інформаційних потоків, експертні системи, діагностика, проекти “розумний будинок” або “розумні інструменти”, кіберфізичний простір та кіберфізичні системи, комп’ютерний переклад тощо.
Існує позитивна динаміка розробки та впровадження елементів штучного інтелекту у більшість типів програмного забезпечення: мобільні додатки, інформаційні системи, електронні пристрої, тощо.
Цей процес “інтелектуалізації” дозволяє казати про поступове підвищення інтелекту сучасних комп’ютерних систем, здатних виконувати функції, які традиційно вважаються інтелектуальними: розуміння мови, логічний висновок, використання накопичених знань, навчання, розпізнавання образів, а також навчатися і пояснювати свої рішення.
В монографії наведено науково-методичний апарат інтелектуальної оцінки стану складних систем. В ході дослідження авторами запропоновано: методичний підхід з оцінки стану ієрархічних систем з використанням метаевристичного алгоритму; методика аналізу та прогнозування стану багатовимірних обʼєктів з використанням метаевристичного алгоритму та методика підвищення достовірності оцінки стану об’єкту.
Окремим розділом представлено комплексну модель обробки різнотипних даних в інтелектуальних системах підтримки прийняття рішень; метод обробки різнотипних даних в інтелектуальних системах управління мережевою та серверною архітектурою, а також методику підвищення оперативності обробки різнотипних даних в інтелектуальних системах управління мережевою та серверною архітектурою.
Наступним розділом даної монографії запропонована сукупність методів підвищення ефективності обробки інформації в інтелектуальних системах підтримки прийняття рішень. В ході дослідження авторами запропоновано: метод управління потоками інформації в інтелектуальних системах підтримки прийняття рішень з використанням популяційного алгоритму; метод оцінки оперативності обробки різнотипних даних в системах підтримки прийняття рішень; метод оцінки та прогнозування в інтелектуальних системах підтримки прийняття рішень.
Окремим розділом дослідження запропонований науково-методичний апарат обробки різнотипних даних в автоматизованих системах управління. обґрунтовано доцільність використання теорії штучного інтелекту для обробки різнотипних даних в автоматизованих системах управління; розроблена методика розподілу даних в автоматизованих системах управління; розроблено модель процесу оцінювання обробки різнотипних даних в автоматизованих системах управління військами з використанням експертної інформації, а також удосконалено методику настроювання інформаційної системи оцінювання процесу обробки різнотипних даних в автоматизованих системах управління в умовах невизначеності.
Наступний розділ монографії присвячено інтелектуальним методам оцінки стану каналів безпілотних літальних апаратів. В ході дослідження авторами запропоновано: метод інтелектуальної оцінки стану каналів безпілотних літальних апаратів (БпЛА), що заснований на використанні апарату нечітких множин та штучних нейронних мереж, дозволяє при своїй достатній простоті отримувати досить точні рішення та методика ідентифікації стану каналів управління та передачі даних БпЛА.
Також в монографії запропоновано інтелектуальні методи оцінки стану ієрархічних систем. В ході даного дослідження авторами: виконано аналіз моделей представлення знань, обґрунтовано переваги застосування продукційного представлення знань в експертних системах; проведено розробку методики оцінки та прогнозування з використанням нечітких когнітивних карт. В дослідженні проведено розробку методу візуалізації станів ієрархічної системи. Проведено розробку методу оцінювання складних ієрархічних систем на основі удосконаленого рою частинок. Представлений метод оцінювання заснований на основі поєднання методів рою частинок та усереднення координат та його модифікації з використанням декількох роїв частинок та включенням процедури Хука-Джівса та відповідних корегувальних коефіцієнтів.
Монографія буде корисною для дослідників, що займаються питаннями вирішення оптимізаційних завдань, з використанням теорії штучного інтелекту, розробкою нових (удосконаленням існуючих) підходів до вирішення складних технічних завдань в різних галузях діяльності людства.
Монографія також є корисною для практиків – конструкторів, розробників, що впроваджують сучасні рішення в області інформаційних технологій, що займаються розробкою інформаційних, інформаційно-аналітичних, а також автоматизованих систем з метою створення нових схем та алгоритмів, їх адаптації до нестереотипних умов використання, у тому числі і для реалізації методів штучного інтелекту в умовах автономної роботи, обмеження обчислювальних ресурсів, дистанційного керування тощо.
Розділи
Посилання
Dudnyk, V., Sinenko, Y., Matsyk, M., Demchenko, Y., Zhyvotovskyi, R., Repilo, I. et al. (2020). Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3 (2 (105)), 37–47. https://doi.org/10.15587/1729-4061.2020.203301
Sova, O., Shyshatskyi, A., Salnikova, O., Zhuk, O., Trotsko, O., Hrokholskyi, Y. (2021). Development of a method for assessment and forecasting of the radio electronic environment. EUREKA: Physics and Engineering, 4, 30–40. https://doi.org/10.21303/2461-4262.2021.001940
Pievtsov, H., Turinskyi, O., Zhyvotovskyi, R., Sova, O., Zvieriev, O., Lanetskii, B., Shyshatskyi, A. (2020). Development of an advanced method of finding solutions for neuro-fuzzy expert systems of analysis of the radioelectronic situation. EUREKA: Physics and Engineering, 4, 78–89. https://doi.org/10.21303/2461-4262.2020.001353
Zuiev, P., Zhyvotovskyi, R., Zvieriev, O., Hatsenko, S., Kuprii, V., Nakonechnyi, O. et al. (2020). Development of complex methodology of processing heterogeneous data in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 4 (9 (106)), 14–23. https://doi.org/10.15587/1729-4061.2020.208554
Kuchuk, N., Mohammed, A. S., Shyshatskyi, A., Nalapko, O. (2019). The Method of Improving the Efficiency of Routes Selection in Networks of Connection with the Possibility of Self-Organization. International Journal of Advanced Trends in Computer Science and Engineering, 8 (1.2), 1–6.
Shyshatskyi, A., Zvieriev, O., Salnikova, O., Demchenko, Ye., Trotsko, O., Neroznak, Ye. (2020). Complex Methods of Processing Different Data in Intellectual Systems for Decision Support System. International Journal of Advanced Trends in Computer Science and Engineering, 9 (4), 5583–5590. https://doi.org/10.30534/ijatcse/2020/206942020
Pozna, C., Precup, R.-E., Horvath, E., Petriu, E. M. (2022). Hybrid Particle Filter–Particle Swarm Optimization Algorithm and Application to Fuzzy Controlled Servo Systems. IEEE Transactions on Fuzzy Systems, 30 (10), 4286–4297. https://doi.org/10.1109/tfuzz.2022.3146986
Yang, X.-S., Deb, S. (2013). Cuckoo search: recent advances and applications. Neural Computing and Applications, 24 (1), 169–174. https://doi.org/10.1007/s00521-013-1367-1
Mirjalili, S. (2015). The Ant Lion Optimizer. Advances in Engineering Software, 83, 80–98. https://doi.org/10.1016/j.advengsoft.2015.01.010
Yu, J. J. Q., Li, V. O. K. (2015). A social spider algorithm for global optimization. Applied Soft Computing, 30, 614–627. https://doi.org/10.1016/j.asoc.2015.02.014
Mirjalili, S., Mirjalili, S. M., Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007
Koval, V., Nechyporuk, O., Shyshatskyi, A., Nalapko, O., Shknai, O., Zhyvylo, Y. et al. (2023). Improvement of the optimization method based on the cat pack algorithm. Eastern-European Journal of Enterprise Technologies, 1 (9 (121)), 41–48. https://doi.org/10.15587/1729-4061.2023.273786
Gupta, E., Saxena, A. (2015). Robust generation control strategy based on Grey Wolf Optimizer. Journal of Electrical Systems, 11, 174–188.
Chaman-Motlagh, A. (2015). Superdefect Photonic Crystal Filter Optimization Using Grey Wolf Optimizer. IEEE Photonics Technology Letters, 27 (22), 2355–2358. https://doi.org/10.1109/lpt.2015.2464332
Nuaekaew, K., Artrit, P., Pholdee, N., Bureerat, S. (2017). Optimal reactive power dispatch problem using a two-archive multi-objective grey wolf optimizer. Expert Systems with Applications, 87, 79–89. https://doi.org/10.1016/j.eswa.2017.06.009
Koval, M., Sova, O., Orlov, O., Shyshatskyi, A., Artabaiev, Y., Shknai, O. et al. (2022). Improvement of complex resource management of special-purpose communication systems. Eastern-European Journal of Enterprise Technologies, 5 (9 (119)), 34–44. https://doi.org/10.15587/1729-4061.2022.266009
Ali, M., El-Hameed, M. A., Farahat, M. A. (2017). Effective parameters’ identification for polymer electrolyte membrane fuel cell models using grey wolf optimizer. Renewable Energy, 111, 455–462. https://doi.org/10.1016/j.renene.2017.04.036
Zhang, S., Zhou, Y. (2017). Template matching using grey wolf optimizer with lateral inhibition. Optik, 130, 1229–1243. https://doi.org/10.1016/j.ijleo.2016.11.173
Khouni, S. E., Menacer, T. (2023). Nizar optimization algorithm: a novel metaheuristic algorithm for global optimization and engineering applications. The Journal of Supercomputing, 80 (3), 3229–3281. https://doi.org/10.1007/s11227-023-05579-4
Saremi, S., Mirjalili, S., Lewis, A. (2017). Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software, 105, 30–47. https://doi.org/10.1016/j.advengsoft.2017.01.004
Braik, M. S. (2021). Chameleon Swarm Algorithm: A bio-inspired optimizer for solving engineering design problems. Expert Systems with Applications, 174, 114685. https://doi.org/10.1016/j.eswa.2021.114685
Thamer, K. A., Sova, O., Shaposhnikova, O., Yashchenok, V., Stanovska, I., Shostak, S. et al. (2024). Development of a solution search method using a combined bio-inspired algorithm. Eastern-European Journal of Enterprise Technologies, 1 (4 (127)), 6–13. https://doi.org/10.15587/1729-4061.2024.298205
Yapici, H., Cetinkaya, N. (2019). A new meta-heuristic optimizer: Pathfinder algorithm. Applied Soft Computing, 78, 545–568. https://doi.org/10.1016/j.asoc.2019.03.012
Duan, H., Qiao, P. (2014). Pigeon-inspired optimization: a new swarm intelligence optimizer for air robot path planning. International Journal of Intelligent Computing and Cybernetics, 7 (1), 24–37. https://doi.org/10.1108/ijicc-02-2014-0005
Shyshatskyi, A., Romanov, O., Shknai, O., Babenko, V., Koshlan, O., Pluhina, T. et al. (2023). Development of a solution search method using the improved emperor penguin algorithm. Eastern-European Journal of Enterprise Technologies, 6 (4 (126)), 6–13. https://doi.org/10.15587/1729-4061.2023.291008
Yang, X.-S. (2012). Flower Pollination Algorithm for Global Optimization. Unconventional Computation and Natural Computation, 240–249. https://doi.org/10.1007/978-3-642-32894-7_27
Gomes, G. F., da Cunha, S. S., Ancelotti, A. C. (2018). A sunflower optimization (SFO) algorithm applied to damage identification on laminated composite plates. Engineering with Computers, 35 (2), 619–626. https://doi.org/10.1007/s00366-018-0620-8
Mehrabian, A. R., Lucas, C. (2006). A novel numerical optimization algorithm inspired from weed colonization. Ecological Informatics, 1 (4), 355–366. https://doi.org/10.1016/j.ecoinf.2006.07.003
Qi, X., Zhu, Y., Chen, H., Zhang, D., Niu, B. (2013). An Idea Based on Plant Root Growth for Numerical Optimization. Intelligent Computing Theories and Technology. Berlin: Heidelberg, 571–578. https://doi.org/10.1007/978-3-642-39482-9_66
Bezuhlyi, V., Oliynyk, V., Romanenko, І., Zhuk, O., Kuzavkov, V., Borysov, O. et al. (2021). Development of object state estimation method in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 5 (3 (113)), 54–64. https://doi.org/10.15587/1729-4061.2021.239854
Mahdi, Q. A., Shyshatskyi, A., Prokopenko, Y., Ivakhnenko, T., Kupriyenko, D., Golian, V. et al. (2021). Development of estimation and forecasting method in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3 (9 (111)), 51–62. https://doi.org/10.15587/1729-4061.2021.232718
Sova, O., Radzivilov, H., Shyshatskyi, A., Shevchenko, D., Molodetskyi, B., Stryhun, V. et al. (2022). Development of the method of increasing the efficiency of information transfer in the special purpose networks. Eastern-European Journal of Enterprise Technologies, 3 (4 (117)), 6–14. https://doi.org/10.15587/1729-4061.2022.259727
Zhang, H., Zhu, Y., Chen, H. (2013). Root growth model: a novel approach to numerical function optimization and simulation of plant root system. Soft Computing, 18 (3), 521–537. https://doi.org/10.1007/s00500-013-1073-z
Labbi, Y., Attous, D. B., Gabbar, H. A., Mahdad, B., Zidan, A. (2016). A new rooted tree optimization algorithm for economic dispatch with valve-point effect. International Journal of Electrical Power & Energy Systems, 79, 298–311. https://doi.org/10.1016/j.ijepes.2016.01.028
Murase, H. (2000). Finite element inverse analysis using a photosynthetic algorithm. Computers and Electronics in Agriculture, 29 (1-2), 115–123. https://doi.org/10.1016/s0168-1699(00)00139-3
Zhao, S., Zhang, T., Ma, S., Chen, M. (2022). Dandelion Optimizer: A nature-inspired metaheuristic algorithm for engineering applications. Engineering Applications of Artificial Intelligence, 114, 105075. https://doi.org/10.1016/j.engappai.2022.105075
Paliwal, N., Srivastava, L., Pandit, M. (2020). Application of grey wolf optimization algorithm for load frequency control in multi-source single area power system. Evolutionary Intelligence, 15 (1), 563–584. https://doi.org/10.1007/s12065-020-00530-5
Dorigo, M., Blum, C. (2005). Ant colony optimization theory: A survey. Theoretical Computer Science, 344 (2-3), 243–278. https://doi.org/10.1016/j.tcs.2005.05.020
Poli, R., Kennedy, J., Blackwell, T. (2007). Particle swarm optimization. Swarm Intelligence, 1 (1), 33–57. https://doi.org/10.1007/s11721-007-0002-0
Bansal, J. C., Sharma, H., Jadon, S. S., Clerc, M. (2014). Spider Monkey Optimization algorithm for numerical optimization. Memetic Computing, 6 (1), 31–47. https://doi.org/10.1007/s12293-013-0128-0
Yeromina, N., Kurban, V., Mykus, S., Peredrii, O., Voloshchenko, O., Kosenko, V. et al. (2021). The Creation of the Database for Mobile Robots Navigation under the Conditions of Flexible Change of Flight Assignment. International Journal of Emerging Technology and Advanced Engineering, 11 (5), 37–44. https://doi.org/10.46338/ijetae0521_05
Maccarone, A. D., Brzorad, J. N., Stone, H. M. (2008). Characteristics And Energetics of Great Egret and Snowy Egret Foraging Flights. Waterbird, 31 (4), 541‒549. https://doi.org/10.1675/1524-4695-31.4.541
Ramaji, I. J., Memari, A. M. (2018). Interpretation of structural analytical models from the coordination view in building information models. Automation in Construction, 90, 117–133. https://doi.org/10.1016/j.autcon.2018.02.025
Pérez-González, C. J., Colebrook, M., Roda-García, J. L., Rosa-Remedios, C. B. (2019). Developing a data analytics platform to support decision making in emergency and security management. Expert Systems with Applications, 120, 167–184. https://doi.org/10.1016/j.eswa.2018.11.023
Chen, H. (2018). Evaluation of Personalized Service Level for Library Information Management Based on Fuzzy Analytic Hierarchy Process. Procedia Computer Science, 131, 952–958. https://doi.org/10.1016/j.procs.2018.04.233
Chan, H. K., Sun, X., Chung, S.-H. (2019). When should fuzzy analytic hierarchy process be used instead of analytic hierarchy process? Decision Support Systems, 125, 113114. https://doi.org/10.1016/j.dss.2019.113114
Osman, A. M. S. (2019). A novel big data analytics framework for smart cities. Future Generation Computer Systems, 91, 620–633. https://doi.org/10.1016/j.future.2018.06.046
Nechyporuk, O., Sova, O., Shyshatskyi, A., Kravchenko, S., Nalapko, O., Shknai, O. et al. (2023). Development of a method of complex analysis and multidimensional forecasting of the state of intelligence objects. Eastern-European Journal of Enterprise Technologies, 2 (4 (122)), 31–41. https://doi.org/10.15587/1729-4061.2023.276168
Merrikh-Bayat, F. (2015). The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature. Applied Soft Computing, 33, 292–303. https://doi.org/10.1016/j.asoc.2015.04.048
Poliarush, O., Krepych, S., Spivak, I. (2023). Hybrid approach for data filtering and machine learning inside content management system. Advanced Information Systems, 7 (4), 70–74. https://doi.org/10.20998/2522-9052.2023.4.09
Balochian, S., Baloochian, H. (2019). Social mimic optimization algorithm and engineering applications. Expert Systems with Applications, 134, 178–191. https://doi.org/10.1016/j.eswa.2019.05.035
Lenord Melvix, J. S. M. (2014). Greedy Politics Optimization: Metaheuristic inspired by political strategies adopted during state assembly elections. 2014 IEEE International Advance Computing Conference (IACC), 1157–1162. https://doi.org/10.1109/iadcc.2014.6779490
Moosavian, N., Roodsari, B. K. (2014). Soccer League Competition Algorithm, a New Method for Solving Systems of Nonlinear Equations. International Journal of Intelligence Science, 4 (1), 7–16. https://doi.org/10.4236/ijis.2014.41002
Hayyolalam, V., Pourhaji Kazem, A. A. (2020). Black Widow Optimization Algorithm: A novel meta-heuristic approach for solving engineering optimization problems. Engineering Applications of Artificial Intelligence, 87, 103249. https://doi.org/10.1016/j.engappai.2019.103249
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A. A., Gandomi, A. H. (2021). Aquila Optimizer: A novel meta-heuristic optimization algorithm. Computers & Industrial Engineering, 157, 107250. https://doi.org/10.1016/j.cie.2021.107250
Hodlevskyi, M., Burlakov, G. (2023). Information technology of quality improvement planning of process subsets of the spice model. Advanced Information Systems, 7 (4), 52–59. https://doi.org/10.20998/2522-9052.2023.4.06
Askari, Q., Younas, I., Saeed, M. (2020). Political Optimizer: A novel socio-inspired meta-heuristic for global optimization. Knowledge-Based Systems, 195, 105709. https://doi.org/10.1016/j.knosys.2020.105709
Mohamed, A. W., Hadi, A. A., Mohamed, A. K. (2019). Gaining-sharing knowledge based algorithm for solving optimization problems: a novel nature-inspired algorithm. International Journal of Machine Learning and Cybernetics, 11 (7), 1501–1529. https://doi.org/10.1007/s13042-019-01053-x
Gödri, I., Kardos, C., Pfeiffer, A., Váncza, J. (2019). Data analytics-based decision support workflow for high-mix low-volume production systems. CIRP Annals, 68 (1), 471–474. https://doi.org/10.1016/j.cirp.2019.04.001
Harding, J. L. (2013). Data quality in the integration and analysis of data from multiple sources: some research challenges. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-2/W1, 59–63. https://doi.org/10.5194/isprsarchives-xl-2-w1-59-2013
Orouskhani, M., Orouskhani, Y., Mansouri, M., Teshnehlab, M. (2013). A Novel Cat Swarm Optimization Algorithm for Unconstrained Optimization Problems. International Journal of Information Technology and Computer Science, 5 (11), 32–41. https://doi.org/10.5815/ijitcs.2013.11.04
Karaboga, D., Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39 (3), 459–471. https://doi.org/10.1007/s10898-007-9149-x
Fister, I., Fister, I., Yang, X.-S., Brest, J. (2013). A comprehensive review of firefly algorithms. Swarm and Evolutionary Computation, 13, 34–46. https://doi.org/10.1016/j.swevo.2013.06.001
Sova, O., Radzivilov, H., Shyshatskyi, A., Shvets, P., Tkachenko, V., Nevhad, S. et al. (2022). Development of a method to improve the reliability of assessing the condition of the monitoring object in special-purpose information systems. Eastern-European Journal of Enterprise Technologies, 2 (3 (116)), 6–14. https://doi.org/10.15587/1729-4061.2022.254122
Khudov, H., Khizhnyak, I., Glukhov, S., Shamrai, N., Pavlii, V. (2024). The method for objects detection on satellite imagery based on the firefly algorithm. Advanced Information Systems, 8 (1), 5–11. https://doi.org/10.20998/2522-9052.2024.1.01
Owaid, S. R., Zhuravskyi, Y., Lytvynenko, O., Veretnov, A., Sokolovskyi, D., Plekhova, G. et al. (2024). Development of a method of increasing the efficiency of decision-making in organizational and technical systems. Eastern-European Journal of Enterprise Technologies, 1 (4 (127)), 14–22. https://doi.org/10.15587/1729-4061.2024.298568
Tyurin, V., Bieliakov, R., Odarushchenko, E., Yashchenok, V., Shaposhnikova, O., Lyashenko, A. et al. (2023). Development of a solution search method using an improved locust swarm algorithm. Eastern-European Journal of Enterprise Technologies, 5 (4 (125)), 25–33. https://doi.org/10.15587/1729-4061.2023.287316
Yakymiak, S., Vdovytskyi, Y., Artabaiev, Y., Degtyareva, L., Vakulenko, Y., Nevhad, S. et al. (2023). Development of the solution search method using the population algorithm of global search optimization. Eastern-European Journal of Enterprise Technologies, 3 (4 (123)), 39–46. https://doi.org/10.15587/1729-4061.2023.281007
Mohammed, B. A., Zhuk, O., Vozniak, R., Borysov, I., Petrozhalko, V., Davydov, I. et al. (2023). Improvement of the solution search method based on the cuckoo algorithm. Eastern-European Journal of Enterprise Technologies, 2 (4 (122)), 23–30. https://doi.org/10.15587/1729-4061.2023.277608
Raskin, L., Sukhomlyn, L., Sokolov, D., Vlasenko, V. (2023). Multi-criteria evaluation of the multifactor stochastic systems effectiveness. Advanced Information Systems, 7 (2), 63–67. https://doi.org/10.20998/2522-9052.2023.2.09
Arora, S., Singh, S. (2018). Butterfly optimization algorithm: a novel approach for global optimization. Soft Computing, 23 (3), 715–734. https://doi.org/10.1007/s00500-018-3102-4
Mamoori, G. A., Sova, O., Zhuk, O., Repilo, I., Melnyk, B., Sus, S. et al. (2023). The development of solution search method using improved jumping frog algorithm. Eastern-European Journal of Enterprise Technologies, 4 (3 (124)), 45–53. https://doi.org/10.15587/1729-4061.2023.285292
Alieinykov, I., Thamer, K. A., Zhuravskyi, Y., Sova, O., Smirnova, N., Zhyvotovskyi, R. et al. (2019). Development of a method of fuzzy evaluation of information and analytical support of strategic management. Eastern-European Journal of Enterprise Technologies, 6 (2 (102)), 16–27. https://doi.org/10.15587/1729-4061.2019.184394
Shyshatskyi, A. V., Zhuk, O. V., Neronov, S. M., Protas, N. M., Kashkevych, S. O. (2024). Sukupnist metodyk pidvyshchennia operatyvnosti pryiniattia rishen z vykorystanniam metaevrystychnykh alhorytmiv. Modern Aspects of Science. Scientific Perspectives, 529–557. Available at: http://perspectives.pp.ua/public/site/mono/mono-40.pdf
Shyshatskyi, A. V., Matsyi, O. B., Yashchenok, V. Zh., Trotsko, O. O., Kashkevych, S. O. (2024). Sukupnist metodyk pidvyshchennia operatyvnosti pryiniattia rishen z vykorystanniam kombinovanykh metaevrystychnykh alhorytmiv. Modern Aspects of Science. Scientific Perspectives, 558–594. Available at: http://perspectives.pp.ua/public/site/mono/mono-40.pdf
Kashkevich, S., Dmytriieva, O., Trotsko, O., Shknai, O., Shyshatskyi, A. (2023). Mathematical model of information conflict of information networks. ScienceRise, 1, 3–13. https://doi.org/10.21303/2313-8416.2024.003395
Kashkevych, S. O., Dmytriieva, O. I., Yefymenko, O. V., Pliekhova, H. A., Shyshatskyi, A. V. (2024). Metody otsinky stanu skladnykh dynamichnykh obiektivz vykorystanniam bioinspirovanykh alhorytmiv. Modern Aspects of Science. Scientific Perspectives, 138–177. Available at: http://perspectives.pp.ua/public/site/mono/mono-40.pdf
Kashkevych, S. O., Dmytriieva, O. I., Trotsko, O. O., Shknai, O. V., Shyshatskyi, A. V. (2024). Metod samoorhanizatsii informatsiinykh merezh v umovakh destabilizuiuchykh vplyviv. The development of technical, agricultural and applied sciences as the main factor in improving life. Boston: Primedia eLaunch, 192–218. https://doi.org/10.46299/ISG.2024.MONO.TECH.2.7.2
Shyshatskyi, A., Dmytriieva, O., Lytvynenko, O., Borysov, I., Vakulenko, Y., Mukashev, T. et al. (2024). Development of a method for assessing the state of dynamic objects using a combined swarm algorithm. Eastern-European Journal of Enterprise Technologies, 3 (4 (129)), 44–54. https://doi.org/10.15587/1729-4061.2024.304131
Kashkevich, S., Litvinenko, O., Shyshatskyi, A., Salnyk, S., Velychko, V. (2024). The method of self-organization of information networks in the conditions of the complex influence of destabilizing factors. Advanced Information Systems, 8 (3), 59–71. https://doi.org/10.20998/2522-9052.2024.3.07
Kashkevych, S. O., Dmytriieva, O. I., Plekhova, H. A., Protas, N. M., Neronov, S. M., Shyshatskyi, A. V. (2024). Naukovo-metodychnyi pidkhid z pidvyshchennia operatyvnosti obrobky riznotypnykh danykh z vykorystanniam metaevrystychnykh alhorytmiv. Modern Aspects of Science. Scientific Perspectives, 510–543. Available at: http://perspectives.pp.ua/public/site/mono/mono-40.pdf
Litvinenko, O., Kashkevich, S., Dmytriieva, O., Neronov, S., Plekhova, G.; Shyshatskyi, A. (Ed.) (2024). The method of self-organization of information networks in the conditions of destabilizing influences. Information and control systems: modelling and optimizations. Kharkiv: TECHNOLOGY CENTER PC, 3–34. https://doi.org/10.15587/978-617-8360-04-7.ch1
Kashkevich, S., Dmytriieva, O., Neronov, S., Plekhova, G., Zhyvylo, Y.; Shyshatskyi, A. (Ed.) (2024). The development of management methods based on bio-inspired algorithms. Information and control systems: modelling and optimizations. Kharkiv: TECHNOLOGY CENTER PC, 35–69. https://doi.org/10.15587/978-617-8360-04-7.ch2
Kashkevich, S., Plekhova, G., Kuchuk, N., Kuvshynov, O., Veretnov, A., Yefymenko, O.; Shyshatskyi, A. (Ed.) (2024). The development of methods for evaluating the state of complex technical systems using artificial intelligence theory. Information and control systems: modelling and optimizations. Kharkiv: TECHNOLOGY CENTER PC, 70–101. https://doi.org/10.15587/978-617-8360-04-7.ch3
Kashkevich, S., Plekhova, G., Yefymenko, O., Kuchuk, H., Davydov, V., Beketov, Y.; Shyshatskyi, A. (Ed.) (2024). The development of methods of learning artificial neural networks of intelligent decision-making support systems. Information and control systems: modelling and optimizations. Kharkiv: TECHNOLOGY CENTER PC, 102–137. https://doi.org/10.15587/978-617-8360-04-7.ch4
Kashkevich, S., Dmytriiev, I., Shevchenko, I., Lytvynenko, O., Shabanova-Kushnarenko, L., Apenko, N; Shyshatskyi, A. (Ed.) (2024). Scientific-method apparatus for improving the efficiency of information processing using artificial intelligence. Information and control systems: modelling and optimizations. Kharkiv: TECHNOLOGY CENTER PC, 138–167. https://doi.org/10.15587/978-617-8360-04-7.ch5
##submission.downloads##
Опубліковано
Категорії
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
