https://ir.lib.vntu.edu.ua//handle/123456789/2 Факультет інтелектуальних інформаційних технологій та автоматизації Sun, 19 Apr 2026 03:27:55 GMT 2026-04-19T03:27:55Z http://ir.lib.vntu.edu.ua:80/bitstream/id/fcf6372a-7afb-4be4-ade3-80831bebcde6/ https://ir.lib.vntu.edu.ua//handle/123456789/2 https://ir.lib.vntu.edu.ua//handle/123456789/51103 Evaluating Fast Charging of Electric Vehicles Along Motorways Using Finite Multi-Server Queueing System Simulation Forkaliuk, M. S.; Franzl, G.; Bisikalo, О.; Форкалюк, М. С.; Францл, Г.; Бісікало, О. В. Швидкі зарядні станції постійного струму необхідні вздовж автомагістралей, щоб позбавити занепокоєння водіїв щодо поїздок на великі відстані на електромобілях з батареями, оптимізованими для ефективного середнього запасу ходу. Це важливо для подальшого сприяння переходу на електромобілі. У цьому дослідженні представлено підхід на основі моделі черг для моделювання та оцінки майданчиків швидкої зарядки, обладнаних багатьма зарядними пунктами постійного струму. Зарядні станції моделюються як багатосерверні системи масового обслуговування з обмеженим простором очікування, де сервери представляють пункти зарядки, а простір очікування-паркувальну зону, доступну для електромобілів, які очікують на обслуговування. Щоб оцінити також розподіл часу прибуття та обслуговування, який не є марковським, система масового обслуговування оцінюється за допомогою імітаційного моделювання на основі подій. Прикладні результати та порівняння з аналогічними інструментами моделювання завершують презентацію підходу до моделювання. З одного боку, cимуляція демонструє середній потенційний час очікування електромобіля до початку заряджання через тимчасову зайнятість усіх зарядних точок. З іншого боку, інструмент аналізує сукупний попит на електроенергію усіх зарядних станцій. На основі останнього, механізм розумної зарядки динамічно зменшує індивідуально доступну потужність зарядки, щоб вона не перевищувала ліміт доступу до електромережі. Цей інтелектуальний механізм призводить до зниження продуктивності зарядки при високому навантаженні трафіку електромобілів, коли всі зарядні точки зайняті. У поєднанні з потребою в енергії, що залежить від стану заряду, інструмент надає користувачеві критично важливу інформацію про реалістично очікуваний час очікування та зменшення обсягів заряджання, коли багато електромобілів заряджаються паралельно. Експерименти з різною кількістю точок зарядки та обмеженнями потужності мережі допомагають користувачеві інструменту та проектувальнику системи визначити розміри зарядних майданчиків уздовж автомагістралей, які зможуть ефективно впоратися з майбутнім транспортним навантаженням.; Fast DC charging sites are required along motorways to abrogate the car drivers` anxiety of long-distance travels when driving electric vehicles (EVs) with batteries optimised for efficient average reach. This is important to facilitate the mobility transition to EVs. In this study, a queueing model-based approach to simulate and evaluate fast charging sites equipped with many DC charging points is presented. Charging sites are modelled as multi-server queueing systems with finite waiting space, the servers represent the charging points and the waiting space the parking area available for EVs waiting for service. To evaluate also arrival and service time distributions that are non-Markovian, the queueing system is evaluated using event based simulation. Exemplary results and a comparison with analogous simulation tools complete the presentation of the simulation approach. On one hand, the simulation reveals the mean potential waiting time per EV before charging can start due to the temporary occupation of all charging points. On the other hand, the tool analyses the aggregated power demand of all charging points. Based on latter, the smart charging mechanism reduces dynamically the individually available charging power if needed to stay below the power grid access limit. This smart charging mechanism causes a small decline in the charging performance at high EV traffic loads when all charging points are maximally occupied. In combination with the state-of-charge depending power demand, the tool provides the user critical insights into realistically expectable waiting times and decreased charging volumes when many EVs charge in parallel. Experimenting with different number of charging points and grid power limitations helps the tool-user, the systems designer, to dimension charging sites along motorways that can efficiently handle future traffic loads. Mon, 01 Jan 2024 00:00:00 GMT https://ir.lib.vntu.edu.ua//handle/123456789/51103 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51099 Аналіз та імплементація ідеї навчання великих мовних моделей за аналогією з дитячим когнітивним розвитком Дадиверін, В. В.; Бісікало, О. В.; Dadyverin, V. V.; Bisikalo, О. V. Дослідження присвячено проблематиці недостатньої ефективності великих мовних моделей у питаннях розв’язання математичних завдань, послідовного багатокрокового аналізу та міркування щодо можливих варіантів вирішення. У статті розкрито недосконалість сучасних LLM у питаннях послідовного мислення, попри їхню здатність до генерації природного та осмисленого тексту, вони досі залишаються суттєво обмеженими при вирішенні задач, які потребують логічного міркування або обґрунтування. З’ясовано, що такі обмеження нерідко є наслідком структури навчального процесу мовної моделі, бо той не має нічого спільного з процесами, які відбуваються під час формування когнітивних та ментальних моделей людини. У цій роботі розглянуто підхід навчання за подібністю до когнітивного розвитку людини, який базується на поєднанні наступних концепцій: Curriculum learning – навчання з поетапним збільшенням складності завдань, Scaffolding – сегментоване навчання зі зменшенням рівня опіки після засвоєння певного рівня знань, та прогресивне зміцнення ментальних структур за рахунок створення узагальнених патернів для розв’язання задач. Основну увагу зосереджено на імплементації навчального процесу з поетапним ускладненням вхідного матеріалу – від базових арифметичних рівнянь до великих складених логіко-словесних задач. Ефективність даного підходу оцінено на прикладі моделей Phi-2 та Mistral 7B, навчених в двох режимах: стандартне випадкове навчання та запропоноване контрольоване навчання. Результатами дослідження доведено, що запропонований підхід когнітивного навчання забезпечує кращі результати під час вирішення базових задач та складних багатокомпонентних завдань, які потребують проміжних узагальнених знань. Аналізом подібних досліджень підтверджено перспективність розвитку навчання з імітацією когнітивного розвитку для підвищення ефективності обробки вхідних даних за умов обмеженої кількості навчальної інформації.; The study is devoted to the problem of not enough efficiency of large language models in solving mathematical problems, sequential multi-step analysis and reasoning about possible solutions. The article reveals the imperfection of modern LLMs in the issues of sequential thinking, despite their ability to generate natural and meaningful text, they still remain significantly limited in solving problems that require logical reasoning or justification. It was found that such limitations are often a consequence of the structure of the learning process of the language model, because it has nothing to do with the processes that occur during the formation of cognitive and mental models of a person. This work considers the approach of learning by similarity to human cognitive development, which is based on a combination of the following concepts: Curriculum learning – learning with a gradual increase in the complexity of tasks, Scaffolding – segmented learning with a decrease in the level of care after mastering a certain level of knowledge, and progressive strengthening of mental structures by creating generalized patterns for solving problems. The main attention is focused on the implementation of the learning process with a gradual complication of the input material – from basic arithmetic equations to large complex logical-verbal problems. The effectiveness of this approach is evaluated on the example of Phi-2 and Mistral 7B models, trained in two modes: standard random learning and the proposed supervised learning. The results of the study prove that the proposed cognitive learning approach provides better results when solving basic tasks and complex multi-component tasks that require intermediate generalized knowledge. The analysis of similar studies confirms the promising development of training with imitation of cognitive development to increase the efficiency of processing input data under conditions of a limited amount of training information. Wed, 01 Jan 2025 00:00:00 GMT https://ir.lib.vntu.edu.ua//handle/123456789/51099 2025-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51096 Метод багатооб`єктного трекінгу з обробкою оклюзій для систем відеоспостереження Романець, В.; Бісікало, О.; Romanets, V.; Bisicalo, O. This paper presents an improved multi-object tracking (MOT) method based on the ByteTrack framework, with a primary focus on enhancing robustness to occlusions in complex and dynamic video scenes. Occlusions, camera motion, and dense object interactions remain critical challenges for real-time tracking systems, often leading to identity switches and track fragmentation. To address these issues, the proposed approach introduces two key improvements: the integration of the Distance Intersection over Union (DIoU) metric for more precise detection-to-track association, and a track retention mechanism that allows temporarily lost objects to be preserved during short-term or partial occlusions. The use of DIoU enables more reliable association decisions by jointly considering both spatial overlap and the distance between object centers, which is especially beneficial in crowded environments where bounding boxes frequently intersect or overlap. In addition, the proposed track retention strategy maintains inactive tracks for a limited period, allowing the system to recover object identities once they reappear, thereby reducing premature track termination. Experimental evaluation was conducted on the MOT17 validation dataset using a lightweight YOLOX-Tiny detector to ensure real-time applicability on resource-constrained platforms. The results demonstrate that the proposed enhancements lead to consistent performance gains compared to the baseline ByteTrack algorithm. Specifically, the method achieved an improvement in MOTA of +0.5% (from 77.5% to 78.0%), a +1.9% increase in IDF1, and a 9% reduction in identity switches, while maintaining real-time processing with only a marginal decrease in speed (from 29.6 to 29.1 FPS). Additional scene-based analyses confirmed improved robustness in scenarios involving dense crowds, long-term occlusions, and camera motion. Overall, the results indicate that efficient occlusion handling can significantly enhance tracking reliability and identity consistency without sacrificing computational efficiency. The proposed method offers a well-balanced trade-off between accuracy and performance, making it suitable for practical deployment in video surveillance systems, intelligent transportation monitoring, and mobile robotic applications operating under real-time constraints.; У статті представлено вдосконалений метод багатооб`єктного трекінгу, побудований на основі алгоритму ByteTrack, із покращеною обробкою оклюзій для підвищення стабільності відстеження у складних динамічних сценах. Запропоновано використання метрики Distance IoU (DIoU) для точнішої асоціації між детекціями та активними треками, а також механізму збереження об`єктів, тимчасово втрачених через часткові перекриття. Експерименти на наборі MOT17 із застосуванням YOLOX-Tiny продемонстрували підвищення MOTA на 0.5%, зростання IDF1 на 1.9% і зменшення кількості перемикань ідентичностей на 9% при незначному зниженні швидкості обробки (з 29.6 до 29.1 кадрів/с) порівняно з базовим ByteTrack. Результати підтверджують ефективність використання Distance IoU та механізмів обробки оклюзій для підвищення точності й надійності трекінгу без втрати роботи в реальному часі, що робить метод придатним для систем відеоспостереження, транспортного моніторингу та робототехніки. Wed, 01 Jan 2025 00:00:00 GMT https://ir.lib.vntu.edu.ua//handle/123456789/51096 2025-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51093 Методи тонкого налаштування штучного інтелекту Кудрик, О. В.; Бісікало, О. В.; Здітовецький, Ю. С.; Kudryk, О.; Bisikalo, О.; Zditovetskiy, Yu. Approaches to fine-tuning of artificial intelligence based on two proposed methods are considered. For this purpose , a review of the main methods of retraining artificial intelligence was carried out, their advantages and disadvantages were determined. The proposed methods have their own characteristics, each of them is suitable for different types of tasks. The "Step-by-Step" method is based on multiplying the information entered into the AI verification model and consolidating this information at each stage of training. Using this approach, it becomes possible to detect errors at the early stages and provide additional information to the model, which allows the artificial intelligence to learn the material better. In its turn, the "All at once" method simultaneously introduces a large amount of information to the AI model at the initial stage, after which the verification of the fixed information begins by placing questions. This approach can be effective for tasks that require rapid learning and need complex comprehension of large amounts of information. Each of the methods has its advantages and disadvantages, the effectiveness of each of them may vary depending on the specific context of application. The Step-by-Step method allows the AI to learn the details better, but may require more time and resources. The “All at once” method allows to achieve results faster, but it can lead to a superficial understanding of the material and increase the number of errors. In this work, a schematic block of each of the two methods was developed, a comparative analysis of the effectiveness of these methods was carried out using the example of fine-tuning the ChatGPT model. An experimental approbation of the AI training process was carried out based on each of the methods, due to which a comparative assessment of the effectiveness of the results of fine-tuning was performed and appropriate conclusions were drawn. The results of the study can be useful for developers and researchers working in the field of artificial intelligence and can help to use a better method of retraining for specific tasks. Therefore, modified methods of fine-tuning of artificial intelligence have been studied, which allow using a smaller amount of resources and obtaining high accuracy and efficiency of work for specific tasks.; Розглянуто підходи до тонкого налаштування штучного інтелекту на основі двох запропонованих методів. З цією метою проведено огляд основних методів донавчання штучного інтелекту, визначено їхні переваги та недоліки. Запропоновані методи мають свої особливості, кожний з них підходить для різних типів завдань. Метод «Крок за кроком» базується на поступовому внесенні інформації до моделі ШІ та перевірці засвоєння цієї інформації на кожному етапі навчання. Використовуючи цей підхід, стає можливим виявляти помилки на ранніх стадіях та надавати додаткову інформацію до моделі, що дозволяє штучному інтелекту краще засвоїти матеріал. У свою чергу, метод «Все одразу» одночасно вносить великий обсяг інформації до моделі ШІ на початковому етапі, після чого розпочинається перевірка засвоєння інформації шляхом задавання запитань. Цей підхід може бути ефективним для завдань, що потребують швидкого навчання та вимагають комплексного розуміння великих обсягів інформації. Кожен з методів має свої переваги та недоліки, ефективність кожного з них може варіюватися в залежності від конкретного контексту застосування. Метод «Крок за кроком» дозволяє штучному інтелекту краще засвоювати деталі, але може вимагати більше часу та ресурсів. Метод «Все одразу» дозволяє швидше досягати результатів, проте може спричиняти поверхневе розуміння матеріалу та збільшення кількості помилок. Розроблено блок-схеми кожного з двох методів, проведено порівняльний аналіз ефективності цих методів на прикладі тонкого налаштування моделі ChatGPT. Проведено експериментальну апробацію процесу донавчання ШІ на основі кожного з методів, завдяки чому отримано порівняльну оцінку ефективності результатів тонкого налаштування та дійшли висновків. Результати дослідження можуть бути корисними для розробників та дослідників, які працюють у сфері штучного інтелекту, та можуть допомогти обрати кращий метод донавчання для конкретних завдань. Отже, досліджено модифіковані методи тонкого налаштування штучного інтелекту, які забезпечують використання меншої кількості ресурсів та отримання високої точності та ефективності роботи для конкретних завдань. Mon, 01 Jan 2024 00:00:00 GMT https://ir.lib.vntu.edu.ua//handle/123456789/51093 2024-01-01T00:00:00Z