МНОГОФУНКЦИОНАЛЬНАЯ МУЛЬТИАГЕНТНАЯ SMART-СИСТЕМА НА ОСНОВЕ МОДИФИЦИРОВАННЫХ АЛГОРИТМОВ РОЕВОГО ИНТЕЛЛЕКТА

Статья посвящена разработке многофункциональной мультиагентной Smart-системы прогнозирования и управления сложными объектами на основе модифицированных алгоритмов роевого интеллекта и искусственных иммунных систем. Разработан модифицированный алгоритм СPSOIW-CS на основе кооперативного алгоритма роя частиц с весом инерции (СPSOIW) и алгоритма клональной селекции (CS). Предварительная обработка данных и выделение информативных дескрипторов выполняются на основе СPSOIW алгоритма. Применение СPSOIWалгоритма позволяет более детально и быстро исследовать многомерное пространство и избежать преждевременной сходимости. Распознавание образов и прогноз осуществляются с использованием CS алгоритма. В работе показана актуальность и перспективность внедрения разработанной системы в реальное производство. Разработана структурная схема многофункциональной мультиагентной Smart-системы. Созданы следующие агенты: агент базы данных, менеджер агент, агент помощник, онтологический агент, кооперативный агент роя частиц с весом инерции, агент распознавания образов и агент оценки прогнозирования, а также описаны их функции. Создано программное обеспечение MCPSO (Multi-agent Cooperative Particle Swarm Optimization) на языке программирования Python, предназначенное для обработки многомерных данных, выделения информативных дескрипторов и построения оптимального набора параметров, характеризующих объект, которое является модулем многофункциональной мультиагентной Smart-системы.

1. Andreadisa G., Klazogloub P., K. Niotakib, K. D. Bouzakisa Classification and Review of Multi­-Agents Systems in the Manufacturing Section // Procedia Engineering. - 2014. - Vol. 69. - Р. 282-290.

2. Sayda A. F. Multi-agent Systems for Industrial Applications: Design, Development, and Challenges // In book: Multi-Agent Systems - Modeling, Control, Programming, Simulations and Applications. - 2011. - DOI: 10.5772/15696.

3. Quoniam L., Baaziz A. How to use Big Data technologies to optimize operations in Upstream Petroleum Industry // https://hal.archives-ouvertes.fr/hal-00944668/file/Paper_IJI_Baaziz_Quoniam

4. Yaralidarani M., Shahverdi H. An improved Ant Colony Optimization (ACO) technique for estimation of flow functions from core-flood experiments // Journal of Natural Gas Science and Engineering. - 2016. - Vol. 33. - P. 624-633.

5. Nozohour-leilabady B., Fazelabdolabadi B. On the application of artificial bee colony (ABC) algorithm for optimization of well placements in fractured reservoirs; efficiency com parison with the particle swarm optimization (PSO) methodology // Petroleum. - 2016. - Vol. 2, Issue 1. - P. 79-89.

6. Huang S., Tian N., Wang Y., Ji. Z. Particle swarm optimization using multi-information characteristics of all personal-best information // Springer Plus. - 2016. - Vol. 5 (1632). https://doi.org/10.1186/s40064-016-3244-8.

7. Ghaedi M., Ghotbi C., Aminshahidy B. The optimization of gas allocation to a group of wells in a gas lift using an efficient Ant Colony Algorithm (ACO) // Energy Sources, Part A: Recovery, Utilization and Environmental Effects. - 2014. - Vol. 36, Issue 11. - C. 1234-1248.

8. Абрамов А. С. Методы искусственного интеллекта для решения задачи оптимального размещения кустовых площадок и распределения скважин между ними. - 2016. - № 4 (736). - С. 25-29.

9. Self R., Atashnezhad A., Hareland G. Reducing. Drilling Cost by finding Optimal Operational Param eters using Particle Swarm Algorithm // Proc. of Society of Petroleum Engineers Source SPE Deepw ater Drilling and Completions Conference. URL: https://www.researchgate.net/publication/304998993.

10. Zhang J., Ding X. A Multi-Swarm Self-Adaptive and Cooperative Particle Swarm Optimization // Engineering Applications of Artificial Intelligence. - 2011. - Vol. 24, Issue 6. - P. 958-967.

11. Leitao P. Multi-agent Systems in Industry: Current Trends & Future Challenges // Beyond Artificial Intelligence. Topics in Intelligent Engineering and Informatics. - Springer, 2013. - Vol. 4. - P. 197-201.

12. Wang L., Wang Z., Yang R. Intelligent M ultiagent Control System for Energy and Comfort Management in Smart and Sustainable Buildings // IEEE transactions on Smart grid. - 2012. - Vol. 3, No. 2. - P. 605-617.

13. Lindegaard Mikkelsen L., Neumann J. R., Demazeau Y , Jorgensen B. N. Demonstrating Multi layered MAS in Control of Offshore Oil and Gas Production // Advances on Practical Applications of Agents and Multi-Agent Systems. PAAMS 2013. Lecture N otes in Computer Science. - 2013. - Vol. 7879. - P. 300-303.

14. Wu С., Li H., Wu L., Wu Z. Agent Particle Swarm Optimization for Power System Economic Load Dispatch // Journal of Computer and Communications. - 2015. - Vol. 3. - P. 83-89.

15. Li R., Zhan W., Hao Z. Artificial Immune Particle Swarm Optimization Algorithm Based on Clonal Selection // Boletrn Tecnico. - 2017. - Vol. 55, Issue 1. - P. 158-164.

16. Zhang W., Lin J., Jing H., Zhang Q. A Novel Hybrid Clonal Selection Algorithm with Combinatorial Recombination and Modified Hypermutation Operators for Global Optim ization // Computational Intelligence and Neuroscience. - 2016. - http://dx.doi.org/10.1155/2016/6204728.

17. Yang J., Zhu H., Wang Y. An Orthogonal Multi-Swarm Cooperative PSO Algorithm with a Particle Trajectory Knowledge Base // Symmetry. - 2017. - Vol. 9 (1), No. 15. - DOI: 10.3390/sym9010015.

18. Hall M. A. Correlation-based Feature Selection for Machine Learning, Thesis of Doctoral dissertation. - The University o f W aikato, 1999.

19. Ulutas В., Kulturel-Konak S. A review of clonal selection algorithm and its applications // Artificial Intelligence Review. - 2011. - Vol. 36 (2). - P. 117-138.