ХVII Міжнародна конференція «Контроль і управління в складних системах (КУСС-2024)», 16-17 жовтня 2024 року https://ir.lib.vntu.edu.ua//handle/123456789/43661 2026-04-14T08:29:18Z 2026-04-14T08:29:18Z Кулик, Я. А. Барановська, А. Ю. https://ir.lib.vntu.edu.ua//handle/123456789/46735 2025-07-11T12:13:25Z 2024-01-01T00:00:00Z

Перенесення параметрів генетичних алгоритмів для задачі руху наземних роботів на бпла для оптимізації руху Кулик, Я. А.; Барановська, А. Ю. This article explores the possibilities of using genetic algorithms to optimize the trajectory of unmanned aerial vehicles (UAVs) in order to improve the accuracy and efficiency of air quality assessment under various conditions. One of the main objectives is to ensure adaptive autonomous navigation of UAVs in dynamic environments, parameters related to air pollution can change in real-time under the influence of external factors, such as weather conditions, geographical features, or levels of anthropogenic impact. Changes in environmental conditions, such as weather conditions and the presence of obstacles, increase the requirements for efficient algorithms for safe and efficient UAV movement. The use of genetic algorithms is a promising approach because they are able to effectively solve complex optimization problems in dynamic environments traditional methods may be less effective. Genetic algorithms, due to their ability to search for optimal solutions in complex data spaces, can be effectively used to determine the optimal routes for collecting information about air pollution. They allow UAVs to adapt their trajectories to the current environmental conditions, taking into account factors such as wind direction and speed, pollution levels in different areas, and the presence of natural or artificial obstacles in urban or rural environments. Thanks to this approach, the algorithms provide coordinated work within a group of UAVs, which allows for the division of monitoring zones, the collection of more accurate data, and faster responses to changes in the environment. The article also discusses how genetic algorithms can improve the process of data collection and processing for further air quality analysis. The optimization of trajectories reduces the energy consumption of UAVs, increases the volume and quality of collected data, which in turn enhances the accuracy of assessments of harmful substance concentrations in the air. This makes genetic algorithms a promising and effective tool for increasing the autonomy and overall efficiency of unmanned systems in the context of air quality monitoring in various environments, such as large cities, industrial zones, agricultural areas, or nature reserves.; Досліджено можливості використання генетичних алгоритмів для оптимізації траєкторії руху безпілотних літальних апаратів (БПЛА) з метою підвищення точності та ефективності оцінки якості повітря в різних умовах. Одним із головних завдань є забезпечення адаптивної автономної навігації БПЛА в динамічних середовищах, де параметри, пов`язані з забрудненням повітря, можуть змінюватися в реальному часі під впливом зовнішніх чинників, таких як погодні умови, географічні особливості або рівень антропогенного навантаження. Зміни в умовах навколишнього середовища, такі як погодні умови та наявність перешкод, підвищують вимоги до ефективних алгоритмів для безпечного та ефективного руху БПЛА. Використання генетичних алгоритмів є перспективним підходом, оскільки вони здатні ефективно вирішувати складні оптимізаційні задачі в динамічних середовищах, де традиційні методи можуть бути менш ефективними. Генетичні алгоритми, завдяки своїй здатності шукати оптимальні рішення в складних просторах даних, можуть ефективно використовуватись для визначення оптимальних маршрутів збору інформації про забруднення повітря. Вони дозволяють БПЛА адаптувати свої траєкторії під поточні умови навколишнього середовища, враховуючи такі фактори, як напрямок і швидкість вітру, рівень забруднення у різних ділянках, наявність природних чи штучних перешкод у міській або сільській місцевості. Завдяки цьому підходу, алгоритми забезпечують злагоджену роботу в групі БПЛА, що дозволяє розподілити зони моніторингу, зібрати точніші дані і швидше реагувати на зміни в середовищі. Розглядається, як генетичні алгоритми можуть покращити процес збору й обробки даних для подальшого аналізу якості повітря. Оптимізація траєкторій дозволяє зменшити витрати енергії БПЛА, збільшити обсяг і якість зібраних даних, що своєю чергою підвищує точність оцінок концентрацій шкідливих речовин у повітрі. Це робить генетичні алгоритми перспективним і ефективним інструментом для підвищення рівня автономності та загальної ефективності безпілотних систем у контексті моніторингу стану повітря в різних середовищах, таких як великі міста, промислові зони, сільськогосподарські території або природні заповідники.

2024-01-01T00:00:00Z Яровий, А. А. Кудрявцев, Д. С. Yarovyi, A. A. Kudriavtsev, D. S. https://ir.lib.vntu.edu.ua//handle/123456789/46720 2025-07-09T08:35:15Z 2024-01-01T00:00:00Z

Метод синхронізації даних термінологічних баз знань Яровий, А. А.; Кудрявцев, Д. С.; Yarovyi, A. A.; Kudriavtsev, D. S. Method for data synchronization in terminological knowledge bases is proposed, based on the use of a neural network and classification by subject area topics. Text data synchronization is one of the key tasks for efficient data processing, which involves systematizing knowledge based on its semantic component and addresses the problem of understanding context based on already known data. To solve this problem, a comprehensive approach is used, which includes a set of solutions and synchronization algorithms at all levels of data processing, including semantic analysis, software and hardware-level algorithms, and the use of optimized data models for specific tasks. During the research, an algorithm for optimal data distribution in terminological knowledge bases was developed based on the semantic value of terms. The main criteria for the distribution of textual data in terminological knowledge bases were identified. The task of updating data in terminological knowledge bases during their population was examined. The problem of conflicting term synchronization based on semantic affiliation to related subject areas was formulated and described. Algorithms for term comparison based on semantic analysis, cosine similarity, the Jaccard method, and the term frequency-inverse document frequency (TF-IDF) method were considered. A description of the synchronization method in accordance with the created models and data structures is provided. The advantages and disadvantages of known methods for text data synchronization using data processing algorithms and methods are described, with examples given of data storage and retrieval tasks. The effectiveness of the synchronization method is demonstrated using examples. Data structures were optimized for efficient storage and retrieval of text data for text classification tasks. A prototype of terminological knowledge bases was created, and the synchronization method was applied using the example of the call center subject area.; Запропоновано метод синхронізації даних в термінологічних базах знань на основі використання нейронної мережі та класифікації за тематикою предметних областей. Синхронізація текстових даних є однією з ключових задач для ефективної обробки даних, що полягає у систематизації знань за семантичною складовою та вирішує проблему розуміння контексту на основі вже відомих даних. Для вирішення даної задачі використовують комплексний підхід, що включає в себе набір рішень та алгоритмів синхронізації на усіх рівнях обробки даних, включаючи семантичний аналіз, алгоритми програмного та апаратного рівнів, а також використання оптимізованих моделей даних для конкретних задач. В ході дослідження розроблено алгоритм пошуку оптимального розподілу даних в термінологічних базах знань на основі семантичної цінності термів. Визначено основні критерії розподілу текстових даних в термінологічних базах знань. Розглянуто задачу актуалізації даних в термінологічних базах знань при їх наповненні. Сформульовано та описано задачу конфліктної синхронізації термів на основі семантичної належності до споріднених предметних областей. Розглянуто алгоритми порівняння термів на основі семантичного аналізу, косинусної подібності, коефіцієнту Жаккара та методу частоти появи термів (TF-IDF). Подано опис методу синхронізації у відповідності до створених моделей та структур даних. Описано переваги та недоліки відомих методів синхронізації текстових даних із використанням алгоритмів та методів обробки даних на прикладі задач збереження та відтворення даних. Відзначено ефективність методу синхронізації в ході тестування та експериментальних досліджень для кол-центрів. Оптимізовано структури даних для ефективного збереження та отримання текстових даних для задачі класифікації тексту. Створено прототип термінологічних баз знань та застосовано метод синхронізації на прикладі різних предметних областей.

2024-01-01T00:00:00Z Кабачій, В. В. Маслій, Р. В. Кулик, Я. А. Kabachiy, V. V. Maslii, R. V. Kulyk, Ya. A. https://ir.lib.vntu.edu.ua//handle/123456789/46694 2025-07-11T12:17:36Z 2024-01-01T00:00:00Z

Прогнозування часових рядів з використанням масивів індикаторів у Python Кабачій, В. В.; Маслій, Р. В.; Кулик, Я. А.; Kabachiy, V. V.; Maslii, R. V.; Kulyk, Ya. A. An analysis of methods of forecasting financial time series was carried out, models using intelligent technologies were considered. A proprietary model for forecasting time series using arrays of indicators in Python is proposed. Time series forecasting is the application of a model to predict future values based on previously observed values. And although regression analysis is often used to test the theory that the current value of one or more independent time series affects the current value of another time series, this time series analysis is not called \"time series analysis\" but focuses on comparing the values of one time series in different moments of time. The rate of the EUR/USD currency pair for 08/03/19 - 03/03/20 was taken as test data. After reviewing existing methods for time series forecasting using Python, the LSTM model was chosen. After analyzing the obtained results, the received signal forecast can be used as a decision support system. The accuracy of forecasting is primarily achieved due to the use of the LSTM model, normalization of the input dataset, the use of auxiliary technical indicators and the ion of parameters for the forecasting model. After reviewing existing methods for time series forecasting using Python, the LSTM model was chosen. Using LSTM, time series forecasting models can predict future values based on past sequential data. This provides greater accuracy for demand forecasters, leading to better business decisions. NVIDIA`s cuDNN solves the computational problem. experience, cuDNN can deliver 10+ times faster than standard use of CUDA directly. Based on the fact that the predicted Close price values are not accurate enough, signals were designed to recommend buy/sell positions. This signal represents a value between 0 and 1, 0 is a buy and 1 is a sell.; Проведено аналіз методів прогнозування фінансових часових рядів, розглянуто моделі з використанням інтелектуальних технологій. Запропоновано власну модель для прогнозування часових рядів з використанням масивів індикаторів у Python. Прогнозування часових рядів є застосування моделі для прогнозування майбутніх значень на основі раніше спостережених значень. І хоча регресійний аналіз часто використовується для перевірки теорії про те, що поточне значення одного чи кількох незалежних часових рядів впливає на поточне значення іншого часового ряду, цей аналіз часових рядів не називається «аналізом часових рядів», а фокусується на порівнянні значень одного часового ряду в різні моменти часу. В якості тестових даних було взято курс валютної пари EUR/USD за 03.08.19 - 03.03.20. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Проаналізувавши отримані результати, отриманий прогноз сигналів можна використовувати як систему підтримки рішень. Точність прогнозування насамперед досягнута за рахунок використання LSTM моделі, нормуванню вхідного датасету, використанням допоміжних технічних індикаторів та підбором параметрів для моделі прогнозування. Після огляду існуючих методів прогнозування часових рядів за допомогою Python було обрано модель LSTM. Використовуючи LSTM, моделі прогнозування часових рядів можуть передбачати майбутні значення на основі попередніх послідовних даних. Це забезпечує більшу точність для прогнозистів попиту, що призводить до кращого прийняття рішень для бізнесу. Проблему з обчисленнями вирішує cuDNN від NVIDIA. З досвіду, cuDNN може запровадити в 10+ разів більшу швидкість, ніж стандартне використання безпосередньо CUDA. Виходячи з того, що передбачені значення ціни Close не є досить точними, було спроектовано сигнали для рекомендацій покупки/продажу позицій. Даний сигнал являє собою значення від 0 до 1, де 0 є купівля, а 1 – продаж.

2024-01-01T00:00:00Z Горчук, Ю. А. Юхимчук, М. С. Дубовой, В. М. https://ir.lib.vntu.edu.ua//handle/123456789/44002 2025-04-10T09:13:04Z 2024-01-01T00:00:00Z

Покращення прийняття рішень в управлінні бізнес-процесами за допомогою предикативної аналітики на основі штучного інтелекту Горчук, Ю. А.; Юхимчук, М. С.; Дубовой, В. М. This thesis examines the role of artificial intelligence (AI), specifically AI-based predictive analytics, in enhancing decision-making within the framework of Business Process Management (BPM). As organizations strive for increased efficiency and adaptability in their processes, predictive analytics has emerged as a key tool that empowers businesses to make more informed decisions. By leveraging AI models such as ChatGPT, Gemini AI, and others, companies can analyze vast amounts of historical and real-time data to forecast trends, optimize resource allocation, and mitigate risks in their operations. Predictive analytics, driven by AI, is revolutionizing how BPM is approached. The ability to anticipate potential future events based on data analysis allows businesses to proactively adjust workflows, schedules, and resource use. This shift leads to higher productivity, reduced operational costs, and more agile responses to market dynamics. AI models are particularly effective in analyzing large datasets that would be too complex or time-consuming for human analysts, thus enhancing the speed and accuracy of decision-making. This thesis also delves into the underlying algorithms and machine learning techniques used by AI models to generate predictive insights, including regression analysis, neural networks, and decision trees. It explores the integration of AI-based predictive analytics into existing BPM systems and examines its implications for both operational and strategic decision-making. Furthermore, the work addresses challenges such as data quality, integration complexity, and the need for continuous model training to maintain high prediction accuracy. The research underscores how predictive analytics powered by AI can transform business operations, especially in areas like supply chain management, customer relationship management, and financial forecasting. Additionally, the thesis considers the future potential of AI in BPM, particularly how predictive models might evolve to become more autonomous and adaptive over time, ultimately leading to smarter, self-optimizing business processes.; Дана робота досліджує роль штучного інтелекту (ШІ), зокрема предиктивної аналітики на основі ШІ, в удосконаленні процесу прийняття рішень в рамках управління бізнес-процесами (BPM). Оскільки організації прагнуть підвищити ефективність і адаптивність своїх процесів, предиктивна аналітика стала ключовим інструментом, який дозволяє бізнесу приймати більш обґрунтовані рішення. Використовуючи моделі штучного інтелекту, такі як ChatGPT, Gemini AI та інші, компанії можуть аналізувати величезні обсяги історичних даних і даних у реальному часі, щоб прогнозувати тенденції, оптимізувати розподіл ресурсів і зменшити ризики у своїй діяльності. Предиктивна аналітика на основі штучного інтелекту революціонізує підхід до BPM. Здатність передбачати потенційні майбутні події на основі аналізу даних дозволяє компаніям проактивно коригувати робочі процеси, графіки та використання ресурсів. Цей зсув призводить до підвищення продуктивності, зниження операційних витрат і більш гнучкого реагування на динаміку ринку. Моделі штучного інтелекту особливо ефективні в аналізі великих масивів даних, які були б занадто складними або трудомісткими для аналітиківлюдей, тим самим підвищуючи швидкість і точність прийняття рішень. У цій роботі також розглядаються основні алгоритми та методи машинного навчання, які використовуються моделями штучного інтелекту для генерування прогностичних висновків, зокрема регресійний аналіз, нейронні мережі та дерева рішень. Вона досліджує інтеграцію предиктивної аналітики на основі штучного інтелекту в існуючі системи BPM і вивчає її наслідки для прийняття оперативних і стратегічних рішень. Крім того, в роботі розглядаються такі проблеми, як якість даних, складність інтеграції та необхідність безперервного навчання моделей для підтримки високої точності прогнозування. Дослідження підкреслює, як предиктивна аналітика на основі штучного інтелекту може трансформувати бізнес-операції, особливо в таких сферах, як управління ланцюгами поставок, управління взаємовідносинами з клієнтами та фінансове прогнозування. Крім того, в дисертації розглядається майбутній потенціал ШІ в BPM, зокрема, як прогнозні моделі можуть розвиватися, щоб з часом стати більш автономними та адаптивними, що в кінцевому підсумку призведе до більш розумних бізнес-процесів, які самооптимізуються.

2024-01-01T00:00:00Z