ҮЙІР ИНТЕЛЛЕКТІСІ МОДИФИКАЦИЯЛАНҒАН АЛГОРИТМДЕРІНІҢ НЕГІЗІНДЕГІ КӨПФУНКЦИОНАЛДЫ МУЛЬТИАГЕНТТІК SMART-ЖҮЙЕ

Мақала үйір интеллекті мен жасанды иммундық жүйелердің модификацияланған алгоритмдері негізінде күрделі объектілерді болжау және басқару үшін көпфункционалды мультиагенттік Smart-жүйесін құрастыруға арналған. Модификацияланған СPSOIW-CS алгоритм инерция салмағы бар кооперативтік үйір интеллектісі (СPSOIW) мен клоналды іріктеу (CS) алгоритмдерінің негізінде құрылды. Деректерді алдын ала өңдеу және ақпараттық дескрипторларды таңдау CPSOIW алгоритмі негізінде орындалды. CPSOIW алгоритмін қолдану көпөлшемді кеңістікті барынша кең және жылдам зерттеуге, мерзімінен бұрын жақындасуды болдырмауға мүмкіндік береді. Үлгіні тану және болжау CS алгоритмі арқылы жүзеге асырылады. Мақалада құрылған жүйені нақты өндіріске енгізудің өзектілігі мен келешегі көрсетілді. Көпфункционалды мультиагенттік Smart-жүйенің құрылымдық сызбасы берілді. Келесідей агенттер құрылды: деректер базасы агенті, менеджер агент, көмекші агент, онтологиялық агент, инерция салмағы бар кооперативтік үйір агенті, үлгілерді тану агенті және болжамды бағалау агенті, сондай-ақ олардың функциялары сипатталды. Көп өлшемді деректерді өңдеуге, ақпараттық дескрипторларды іріктеуге және объектіні сипаттайтын оңтайлы параметрлер жиынтығын құруға арналған MCPSO (Multi-agent Cooperative Particle Swarm Optimization) бағдарламалық қаптамасы Python программалау тілінде құрылды және ол көпфункционалды мультиагенттік Smart-жүйенің модулі болып табылады.

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.