Використання обчислювального інтелекту для моделювання, ідентифікації, оптимізації інформаційних управляючих систем та підтримки прийняття рішень

Abstract

У статті представлено комплексний підхід до створення інтелектуальних систем управління динамічними об’єктами на основі сучасних методів обчислювального інтелекту. В умовах обробки високорозмірних, нестабільних та слабоформалізованих даних у реальному часі традиційні методи моделювання є недостатньо ефективними, що особливо критично для промислових і транспортних систем, де помилки управління можуть призводити до значних втрат. Дослідження спрямоване на розробку адаптивних замкнутих контурів управління, які поєднують ідентифікацію поточного стану, прогнозування та вибір оптимального керуючого впливу в умовах невизначеності. Запропонована архітектура інтегрує модулі збору й обробки даних, ідентифікації параметрів, оптимізації та підтримки прийняття рішень. Основою моделювання є гібридні алгоритми машинного навчання, зокрема поєднання згорткових нейронних мереж і трансформерних архітектур, а також метагевристичних методів. Передбачено механізми онлайн-донавчання з мінімальною зміною ваг та використання універсальної пам’яті трансформера для адаптації до змін середовища. Дистанційна ідентифікація параметрів реалізується шляхом аналізу мультимодальних потоків даних, включаючи відео та сенсорні сигнали, із застосуванням методів виявлення об’єктів, сегментації сцени та аналізу оптичного потоку. Система підтримки рішень має дворівневу структуру: прецедентно-правиловий рівень для оперативної обробки типових ситуацій і оптимізаційний рівень на основі багатокритеріального аналізу за Парето. Використання пояснювального AI забезпечує прозорість рішень, а адаптація моделей здійснюється із застосуванням навчання з підкріпленням. Результати підтверджують ефективність підходу в промислових, транспортних та міських системах і визначають перспективи подальшого розвитку з урахуванням мультиагентних та нейроморфних технологій.

The article presents a comprehensive approach to creating intelligent control systems for dynamic objects based on advanced computational intelligence methods. In the context of processing high-dimensional, unstable, and poorly formalized data in real-time, traditional modeling methods are insufficiently effective, which is especially critical for industrial and transport systems where control errors can lead to significant losses. The research is aimed at developing adaptive closed-loop control contours that combine current state identification, prediction, and the selection of optimal control influence under uncertainty. The proposed architecture integrates modules for data collection and processing, parameter identification, optimization, and decision support. The modeling core relies on hybrid machine learning algorithms, specifically a combination of Convolutional Neural Networks and Transformer architectures, as well as metaheuristic methods. Mechanisms for online re-training with minimal weight change and the use of Universal Transformer Memory are provided for adaptation to environmental changes. Remote parameter identification is realized by analyzing multimodal data streams, including video and sensor signals, using methods of object detection, scene segmentation, and optical flow analysis. The Decision Support System has a two-level structure: a rule-based level for operational processing of typical situations and an optimization level based on multi-criteria Pareto analysis. The use of Explainable AI ensures the transparency of decisions, and model adaptation is carried out using Reinforcement Learning. The results confirm the effectiveness of the approach in industrial, transport, and urban systems and outline the prospects for further development by incorporating multi-agent and neuromorphic technologies.